JAVA面试必备:基础知识点与笔试题解析

3星 · 超过75%的资源 需积分: 10 127 下载量 166 浏览量 更新于2024-07-20 收藏 793KB PDF 举报
"JAVA面霸之路--面试笔试题大汇总" 在Java编程领域,掌握核心知识点是成为面试高手的关键。以下是一些重要的Java基础知识,涵盖了面向对象的四大特征、String类的特点以及原始类型与封装类的区别。 1. 面向对象的四大特征 - **抽象**:抽象是将复杂的现实问题简化,关注主要特性,忽略不相关细节。在Java中,可以通过创建抽象类或接口来实现抽象。抽象方法没有具体实现,由子类负责完成。 - **继承**:继承使得类之间形成一种层次结构,新类(子类)可以继承旧类(父类)的属性和方法,同时可以添加新的特性和功能。这提高了代码复用和维护性。 - **封装**:封装是将数据和操作这些数据的方法绑定在一起,对外只提供有限的访问接口。这样可以保护数据不受外部非法访问,增强代码安全性。 - **多态性**:多态允许不同的对象对同一消息做出不同的响应。Java中的多态主要体现在方法重载(参数化多态)和方法覆盖(包含多态)。这使得代码更加灵活,能处理多种类型的数据。 2. String不是基本数据类型 - Java中的基本数据类型包括byte、int、char、long、float、double、boolean和short,而String是对象,属于引用类型。它包含了字符序列,不可变性是其一大特点,这意味着一旦创建就不能更改。 - 对于频繁修改字符串的情况,推荐使用`StringBuffer`或`StringBuilder`类,因为它们在内存中可以进行动态修改,比直接操作`String`更高效。 3. int与Integer的区别 - `int`是Java的原始数据类型,它在内存中直接存储数值,处理速度快但无法执行对象特有的方法。 - `Integer`是`int`的封装类,属于引用类型,它可以执行对象方法,如`equals()`、`compareTo()`等。此外,`Integer`对象可以参与集合操作,而`int`则不能。 - 当涉及到自动装箱和拆箱时,`Integer`对象和`int`之间可以无缝转换。但需要注意的是,对于大量运算,使用`int`更为高效;而对于需要对象操作或存储在集合中的情况,应使用`Integer`。 以上只是Java面试中的一些常见问题,实际上,Java开发者还需要熟悉异常处理、集合框架、IO流、多线程、设计模式、JVM原理等更多领域。不断学习和实践,才能在面试中展现出扎实的Java基础和全面的技术能力。
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