C++指针完全解析:从基础到高级

需积分: 9 5 下载量 117 浏览量 更新于2024-07-20 收藏 90KB DOC 举报
"最牛C++指针教学" 在C++编程语言中,指针是其核心特性之一,理解和掌握指针对于深入学习C++至关重要。本教学将从基础出发,帮助你逐步理解并精通指针的使用。我们将探讨以下几个方面: 1. **指针基础**: - 指针是一个变量,它存储的是另一个变量的地址。在C++中,我们可以声明一个指针变量,例如`int *p`,这里的`*`表示p是一个指针,它指向的内容是int类型的。 2. **指针运算**: - 指针可以进行解引用(`*`)和地址运算(`&`)。解引用操作符`*`用于访问指针所指向的值,而地址运算符`&`用于获取变量的地址。 3. **指针与数组**: - 当指针与数组结合时,如`int p[3]`,表示p是一个包含三个int元素的数组;而`int *p[3]`则表示p是一个数组,其元素是int类型的指针,即p是一个指针数组。 - 更复杂的情况是`int (*p)[3]`,这里的p是一个指向含有三个int元素数组的指针。 4. **多级指针**: - `int **p`表示p是一个二级指针,它指向一个指针,这个指针又指向int类型的数据。多级指针在某些特定场景下使用,但通常一级指针应用更为广泛。 5. **指针与函数**: - 函数指针,如`int p(int)`,表示p是一个函数,接受一个int参数,返回一个int值。 - 指向函数的指针,如`int (*p)(int)`,表示p是一个指针,它指向的函数接受一个int参数,返回一个int值。 6. **复合类型**: - 在更复杂的类型中,如`int*(*p(int))[3]`,首先`p(int)`是一个函数,接受一个int参数,然后返回的是一个指针,这个指针指向一个包含三个int元素的数组。 理解这些基本概念是掌握C++指针的关键。通过练习和实践,你将能够灵活运用指针来实现各种复杂的数据结构和算法。记住,指针的使用需要谨慎,因为错误的指针操作可能导致程序崩溃或内存泄漏。 在学习过程中,一定要关注指针的声明方式,理解其语法结构,并通过实际编程来巩固这些知识。此外,了解指针与动态内存分配(如`new`和`delete`)的关系,以及指针在类和对象中的应用,将有助于你成为一位熟练的C++程序员。不断练习和探索,你将真正掌握这个“最牛”的C++指针教学。
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