深入理解Java SE 8:快速入门指南

需积分: 9 4 下载量 50 浏览量 更新于2024-07-22 收藏 5.75MB PDF 举报
"Java SE 8 for the Really Impatient" 是一本由 Cay S. Horstmann 编著的书籍,专注于快速学习Java Standard Edition 8(Java SE 8)的关键特性。这本书旨在帮助读者迅速掌握Java 8的新特性和改进,以提高开发效率。 Java SE 8是Java平台的重大更新,引入了许多重要的新功能,特别是对于函数式编程的支持。以下是一些关键知识点: 1. **Lambda表达式**:Java 8引入了lambda表达式,这是一种简洁的匿名函数表示方式,可以作为参数传递或作为返回值。Lambda表达式简化了处理集合和事件驱动编程中的回调函数,使得代码更加简洁和可读。 2. **函数式接口**:为了支持lambda表达式,Java 8引入了函数式接口,如`java.util.function`包下的`Function`, `Predicate`, `Consumer`等。这些接口只有一个抽象方法,可以被lambda表达式隐式转换。 3. **方法引用和构造器引用**:除了lambda表达式,Java 8还提供了方法引用和构造器引用,允许直接引用已存在的方法或构造器,进一步减少了代码量。 4. **Stream API**:Java 8引入了Stream API,它提供了一种用于处理集合的新方式,支持数据管道、过滤、映射和归约等操作,使得对集合的处理更高效且易于理解。 5. **默认方法**:在接口中添加了默认方法,允许接口定义行为,而不强制实现类去覆盖。这使得在不破坏向后兼容性的情况下,可以为已有的接口添加新的方法。 6. **日期和时间API的改进**:Java 8用`java.time`包取代了过时的`java.util.Date`和`java.util.Calendar`,提供了`LocalDate`, `LocalTime`, `LocalDateTime`, `ZonedDateTime`等类型,以及`Duration`, `Period`等来处理日期和时间,使日期和时间的操作更加易用和准确。 7. **Optional类**:`java.util.Optional`是一个容器对象,可能包含或者不包含非null值。它鼓励程序员显式处理缺失值,避免空指针异常。 8. **并行流(Parallel Streams)**:Stream API支持并行流,可以自动利用多核处理器的优势,通过并行处理提升性能。 9. **类型推断增强**:Java 8提高了编译器的类型推断能力,使得在泛型和lambda表达式中可以更少地显式指定类型。 10. **新的集合工厂方法**:集合接口如`List`, `Set`, `Map`增加了新的工厂方法,可以直接创建不可变集合,避免了`Collections.unmodifiable...`的冗余。 通过阅读《Java SE 8 for the Really Impatient》,读者将能快速理解和应用这些新特性,提高开发Java应用程序的效率和质量。书中的实例和练习将帮助开发者深入理解这些概念,并能在实际项目中有效地应用Java 8的功能。
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