List对象集合使用HashSet自动去重不生效

Java中使用HashSet对List去重时,若对象为自定义实体类,需重写hashCode()和equals()方法。当对象的hashCode相同,才会调用equals()进行详细比较。若未重写这两个方法,HashSet可能无法正确识别重复元素。解决方案是在实体类中适当地实现hashCode()和equals(),确保基于对象属性进行比较,从而实现去重功能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Java中对List对象集合使用HashSet自动去重无法生效问题的解决

转载:
大佬博客

  1. 确保元素唯一性的两个方法,hashCode()和equals()方法。当调用add()方法向集合存入对象时,先比较此对象与原有对象的哈希值是否一样,如果不一样,直接存入集合,如果哈希值一样,就会继续比较这两个对象是否为同一个对象,就会调用equals()方法
  2. 问题所在:问题原来出现在员工实体类对象中。原来对于自定义的实体类,若想通过Set集合对List集合达到去重效果的话,需要在自定义的实体类中重写hashCode()和equals()方法。

分析:
hashset源码分析

HashSet集合对象是如何判断数据元素是否重复的呢?

首先会检查待存对象key的hashCode值是否与集合中已有元素对象hashCode值相同,如果hashCode不同则表示不重复, 如果hashCode相同那么会再调用equals方法进一步检查,equals返回true表示对象已存在,否则表示不存在。
注意: 在Java中,hashCode值是由存储对象的地址所确定的,每一个地址对应一个hashCode值

原因就在于我们通过使用new xxx();对象创建实际是创建了两个不同的对象,也就对应了两个地址进行存储对象,所以Ha shSet在if判断的时候,对于HashCode不同,就返回了false,证明集合中是两个不同的对象值,这样就使得最后集合中并没有去重

解决办法

hashcode重写
equals重写
调用这个方法的并不一定是Staff类所创建的对象,这时就需要添加一个if语句去判断调用这个方法的对象是否为Staff类的实例,如果是,那么我们就将它的元素值与集合中已有对象的元素值做对比。

### 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