WeakHashMap

容器类中有一种特殊的 Map:WeakHashMap,它被用来保存 WeakReference。它使得
“规范映射” (canonicalized mappings)更易于使用。在这种映射中,每个“值”只保
存一份实例以节省存储空间。当程序需要那个“值”的时候,便在映射中查询现有的对象,
然后使用它(而不是重新再创建)。可将“值”作为“规范映射”的一部分,一同初始化,
不过通常是在需要的时候才生成“值”。


这是一种节约存储空间的技术,因为 WeakHashMap 允许垃圾回收器自动清理“键”和
“值”,所以它显得十分便利。对于向 WeakHashMap 添加“键”和“值”的操作,则没
有什么特殊要求。WeakHashMap 会自动使用 WeakReference 包装它们。允许清理元素
的触发条件是,不再需要此“键”了,如下所示:
//: c11:CanonicalMapping.java
// Demonstrates WeakHashMap.
import java.util.*; 
import java.lang.ref.*; 


class Key {
private String ident; 
public Key(String id) { ident = id; } 
public String toString() { return ident; } 
public int hashCode() { return ident.hashCode(); } 
public boolean equals(Object r) { 
return (r instanceof Key)
      && ident.equals(((Key)r).ident); 
  }
public void finalize() {
    System.out.println("Finalizing Key "+ ident); 
  }
}


class Value { 
private String ident; 
public Value(String id) { ident = id; } 
public String toString() { return ident; } 
public void finalize() {
    System.out.println("Finalizing Value " + ident); 
  }
}


public class CanonicalMapping { 
public static void main(String[] args) { 
int size = 1000; 
// Or, choose size via the command line:
if(args.length > 0) 
      size = Integer.parseInt(args[0]); 
    Key[] keys = new Key[size]; 
    WeakHashMap map = new WeakHashMap(); 
for(int i = 0; i < size; i++) { 
      Key k = new Key(Integer.toString(i));
      Value v = new Value(Integer.toString(i)); 
if(i % 3 == 0) 
        keys[i] = k; // Save as "real" references
      map.put(k, v); 
    }
    System.gc();
 
  }
} ///:~


如同本章前面所述,Key 类必须有 hashCode()和 equals(),因为在散列数据结构中,它
被用作“键”。


运行此程序,你会看到垃圾回收器会每隔三个“键”,就跳过一个,因为指向那个“键”

的普通引用被存入了 keys 数组,所以那些对象不能被垃圾回收器回收。


动物目标检测数据集 一、基础信息 数据集名称:动物目标检测数据集 图片数量: - 训练集:9,134张图片 - 验证集:1,529张图片 - 测试集:1,519张图片 总计:12,182张图片 分类类别: Bear(熊)、Cat(猫)、Cattle(牛)、Chicken(鸡)、Deer(鹿)、Dog(狗)、Elephant(大象)、Horse(马)、Monkey(猴子)、Sheep(绵羊) 标注格式: YOLO格式,包含归一化坐标的边界框和数字编码类别标签,支持目标检测模型开发。 数据特性: 涵盖俯拍视角、地面视角等多角度动物影像,适用于复杂环境下的动物识别需求。 二、适用场景 农业智能监测: 支持畜牧管理系统开发,自动识别牲畜种类并统计数量,提升养殖场管理效率。 野生动物保护: 应用于自然保护区监控系统,实时检测特定动物物种,辅助生态研究和盗猎预警。 智能养殖设备: 为自动饲喂系统、健康监测设备等提供视觉识别能力,实现精准个体识别。 教育研究工具: 适用于动物行为学研究和计算机视觉教学,提供标准化的多物种检测数据集。 遥感图像分析: 支持航拍图像中的动物种群分布分析,适用于生态调查和栖息地研究。 三、数据集优势 多物种覆盖: 包含10类常见经济动物和野生动物,覆盖陆生哺乳动物与家禽类别,满足跨场景需求。 高密度标注: 支持单图多目标检测,部分样本包含重叠目标标注,模拟真实场景下的复杂检测需求。 数据平衡性: 经分层抽样保证各类别均衡分布,避免模型训练时的类别偏差问题。 工业级适用性: 标注数据兼容YOLO系列模型框架,支持快速迁移学习和生产环境部署。 场景多样性: 包含白天/夜间、近距离/远距离、单体/群体等多种拍摄条件,增强模型鲁棒性。
数据集介绍:农场与野生动物目标检测数据集 一、基础信息 数据集名称:农场与野生动物目标检测数据集 图片规模: - 训练集:13,154张图片 - 验证集:559张图片 - 测试集:92张图片 分类类别: - Cow(牛):农场核心牲畜,包含多种姿态和场景 - Deer(鹿):涵盖野外环境中的鹿类目标 - Sheep(羊):包含不同品种的绵羊和山羊 - Waterdeer(獐):稀有野生动物目标检测样本 标注格式: YOLO格式标准标注,含精确边界框坐标和类别标签 数据特征: 包含航拍、地面拍摄等多视角数据,适用于复杂环境下的目标检测任务 二、适用场景 智慧农业系统开发: 支持畜牧数量统计、牲畜行为监测等农业自动化管理应用 野生动物保护监测: 适用于自然保护区生物多样性监测系统的开发与优化 生态研究数据库构建: 为动物分布研究提供标准化视觉数据支撑 智能畜牧管理: 赋能养殖场自动化监控系统,实现牲畜健康状态追踪 多目标检测算法验证: 提供跨物种检测基准,支持算法鲁棒性测试 三、数据集优势 多场景覆盖能力: 整合农场环境与自然场景数据,包含光照变化、遮挡等真实场景 精确标注体系: - 经专业团队双重校验的YOLO格式标注 - 边界框精准匹配动物形态特征 数据多样性突出: - 包含静态、动态多种动物状态 - 涵盖个体与群体检测场景 任务适配性强: - 可直接应用于YOLO系列模型训练 - 支持从目标检测扩展到行为分析等衍生任务 生态研究价值: 特别包含獐等稀有物种样本,助力野生动物保护AI应用开发
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值