Swift标准库参考:字符串与数组操作详解

5星 · 超过95%的资源 需积分: 9 82 下载量 61 浏览量 更新于2024-07-23 1 收藏 332KB PDF 举报
Swift Standard Library Reference 是一份详细的文档,专为Swift编程语言的标准库提供参考。它涵盖了Swift中不同类型、字符串处理、数组操作、字典功能以及算法和集合类的使用方法。以下是从部分章节内容提炼出的关键知识点: 1. **类型(Types)**: Swift标准库提供了丰富的数据类型,包括基本类型如Int、Double,以及更高级的数据结构如Array和Dictionary。这些类型在编写代码时起到基础构建块的作用。 2. **字符串(String)**: Swift中的String是不可变类型,提供了多种初始化方式,如`init(count: repeatedValue:)`用于指定长度并重复填充字符。字符串支持查询操作,如`isEmpty`检查字符串是否为空,`hasPrefix(_:)`和`hasSuffix(_:)`用于检查前缀或后缀。此外,字符串还提供了`uppercaseString`和`lowercaseString`属性进行大小写转换,以及`toInt()`方法尝试将字符串转换为整数。 3. **数组(Array)**: Array是可变的,通过`init(count: repeatedValue:)`创建,支持索引访问和范围访问元素。方法如`append()`, `insert(_: atIndex:)`用于添加元素,`removeAtIndex()`和`removeLast()`用于删除元素,`removeAll()`用于清空数组。`reserveCapacity()`方法预设数组容量以优化性能,`sort(_:)`、`reverse()`、`filter(_:)`、`map(_:)`和`reduce(_:)`则是对数组进行排序、反转、过滤、映射和累加等操作。 4. **字典(Dictionary)**: Dictionary是键值对的集合,通过`init(minimumCapacity:)`初始化,键和值类型由`KeyType`和`ValueType`指定。字典提供了查询、添加和删除元素的方法,例如通过键访问值(`subscript`),以及集合操作如`+=`用于合并两个字典。 5. **版权信息**: 文档指出,所有内容受2014年Apple Inc.的版权保护,属于苹果机密信息。 这份文档是Swift开发者的重要参考资料,通过理解并熟练掌握其中的内容,开发者可以高效地构建基于Swift的应用程序,尤其对于中游学院和智普教育的学生或Apple工程师来说,这是提高编程技能的基础资源。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R