Java——Object类,多态

Object类,多态

Object类

是所有类的父类,在建立一个新的Java类时默认会继承Object类,其中包含一些重要的方法

  • 常用:
  1. getClass()返回对象运行时候的实例类
  2. toString()字符串
  3. equals()比较对象内容相等,通常在子类中会重写【与= =不同, ==表示 1.引用类型指向地址是否相同,2.基本类型的值是否相等】
  4. hashCode()用于哈希查找,经常会与equals()一起重写

:哈希码(表示同一类对象按照不同的特征得到不同的哈希码,例如对一串数字取余会有不同的余数,通过余数的不同将其划分为不同的种类)

-稍微不常用:
clone(),notify(),notifyAll(),wait(),finalize()

多态

一般来讲引用变量是包含两种类型的:
编译时类型(比较模糊,一般为一个父类):由声明时的类型决定
运行时类型(运行时,具体哪个子类就是哪个子类):由实际对应的对象类型决定。
这就会导致一些定义的对象在编译代码时不会报错,而运行程序时则会报错

  1. 定义:对同一个指令(调用同一名称的方法),不同对象给予不同反应(具体实现的方法不同)

  2. 规则
    (1) 必须要有继承关系
    (2) 子类方法必须重写父类方法(达到不同的实现)
    (3) 父类的引用指向子类对象

  3. 优点:减少代码量,提高代码的可维护性和可扩展性

举例,喂食(同一个指令),给猫喂鱼,给狗喂骨头(不同实现)

  • 多态实现
  1. 使用父类作为方法形参实现
  2. 使用父类作为方法返回值实现

Pet类(抽象):

package abd.Multi;

public abstract class Pet {

    public abstract void feed();

}

Cat类:

package abd.Multi;

public class Cat extends Pet{
    @Override
    public void feed() {
        System.out.println("猫吃鱼");
    }
}

Dog类:

package abd.Multi;

public class Dog extends Pet {
    @Override
    public void feed() {
        System.out.println("狗吃骨头");
    }
}

People类(测试):

package abd.Multi;

public class People {


    //直接创建,在调用时无法指定具体对哪一个对象进行调用
    public void feed1(){
        new Dog().feed();
        new Cat().feed();

    }

    //改良1:针对不同对象调用不同方法
    public void feed2(Cat cat){
        cat.feed();
    }

    public void feed2(Dog dog){
        dog.feed();
    }

   //改良2:父类引用直接指向子类对象,从而精简代码,也是多态的实现
    //父类作为形参实现多态
    public void feed3(Pet pet){
        pet.feed();
    }

    //父类作为返回值实现多态
    public Pet buyPet(int type){
        if (type == 1){
            return new Cat();
        }else {
            return new Dog();
        }
    }
    
    public static void main(String[] args) {
        People per = new People();
        per.feed1();

        Cat cat = new Cat();
        Dog dog = new Dog();
        per.feed2(cat);
        per.feed2(dog);

        Dog dog1 = new Dog();
        Cat cat1 = new Cat();
        per.feed3(dog1);
        per.feed3(dog);
        per.feed3(cat1);

		//instanceof 判断它左边的对象是否是它右边的类的实例,,运用: 对象 instanceof 类或接口
        Pet pet = per.buyPet(1);
        if (pet instanceof Cat){
            System.out.println("买猫");
        }else {
            System.out.println("买狗");
        }
    }

}

注:

  1. 向上转型
    (1)上转型对象不能操作子类新增的成员变量和方法
    (2)上转型对象可以操作子类继承或重写的成员变量和方法
    (3)若子类重写父类方法,那么调用被重写方法
    综上:转型后的对象只能操作父类中存在的方法,这些方法若在子类中继承或重写则直接调用子类中更新好的方法,,而父类中不存在但子类中存在的方法是不能被调用的。向上转型相当于一些方法受限制不可用了
//自动类型转换
Pet pet1 = new Cat();//  cat2是父类引用,指向子类对象(Cat()),cat2在栈里,可以指向堆中的任意块,但是由于各种编译规范对匹配类型进行校验,所以只有匹配特殊的类型才能正常运行,,在这里就是指向子类对象
  1. 向下转型 (一般会与instanceof一起使用判断类型转换是否正确)
//强制类型转换
Cat cat12 = (Cat)pet1;//正确运行
Dog dog12 = (Dog)pet1;//编译无问题,运行有问题,,,必须转换为父类引用的真实子类

类型转换类似于基本数据类型转换

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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