1、C#和JAVA语言的编译结果是独立于计算机和编程语言的，可执行文件可以在受管理的执行
环境中执行；
2、C#和JAVA语言都是采用了自动的垃圾回收机制；
3、C#和JAVA语言都取消了指针 *** 作；
4、C#和JAVA语言都没有头文件；
5、C#和JAVA语言都只支持单重继承，要实现与多重继承类似的功能，必须通过接口来实现；
6、类都是从Object类派生而来，类的对象通过关键字new生成；
7、C#和JAVA语言都支持线程；
8、C#和JAVA语言都没有全局变量和全局函数，所有的变量和函数都属于某个类所有；
9、C#和JAVA语言都支持对数组和字符串边界的严格检查，不会出现边界溢出的情况；
10、C#和JAVA语言都使用“.” *** 作符,不再使用“-＞”和“::” *** 作符；
11、C#和JAVA语言都将null和bool作为关键字；
12、C#和JAVA语言中所有的值都必须先初始化后才能使用；
13、C#和JAVA语言中的if语句都不允许采用整数作为判断条件；
14、C#和JAVA语言中的try语句块都可以后接finally语句块。
C#与JAVA的不同之处:
尽管C#和JAVA有很多相同之处，但是由于二者是两家不同公司开发的高级程序设计语言，它们又相互独立，
自成体系，各自具有一些自己特有的特点，下面将C#与JAVA之间的不同之处如下：
1、属性
对于那些经常使用快速开发工具，如Delphi或者Visual Basic的开发人员来说，属性是一个非常熟悉的概念。
一般来说，通过getXXX可以读取属性的值，而通过setXXX可以设置属性的值。
JAVA中比较常见的属性 *** 作语句： foo.setSize(foo.getSize()+1)label.getFont().setBold(true)
c#中比较常见的属性 *** 作语句： foo.size++label.font.bold=true
很明显，上述的属性设置方式较JAVA来说更为简洁，可主读性也更强。这充分体现了C#简单的特点。
JAVA对于属性的定义：public int getSize(){ return size} public void setSize(int value){ size=value}
c#对于属性的定义进行了简化：public int Size{ get{ return size} set{size=value}}
2、index
C#提供index来给对象加上索引的功能，从而用与处理数组类似的方式来处理对象，JAVA语言则不支持index
C#中定义index的典型方式如下：
public Story this[int index]
{
get{return stories[index]}
set{
if(value!=null){
stories[index]=value
}
}
3、delegate ：可以认为是一种类型安全、面向对象的函数指针。
C#使有delegate可以通过一个名字访问不同的函数，它实现和JAVA中的interface类似的功能，但是它比interface更为好用。
4、event
C#提供对event的直接支持，它通过delegate和event关键字实现对事件的处理。event关键字隐藏所有delegate方法，运算符“+=”和“-+”允许程序员自由加入或者删除时间处理程序。
5、enum：枚举用于指定一系列的对象。
C#通过如下语句来定义和使用枚举：
定义：public enum Direction{North,East,West,South}
使用：Direction wall=Direction.North
JAVA不直接支持枚举，如果要实现和C#相类似的功能，必须先定义一个类
public class Direction{
public final static int NORTH=1
public final static int EAST=2
public final static int WEST=3
public final static int SOUTH=4}
在定义了Direction类后，JAVA可以通过引用类中的值来使用枚举：
int wall= Direction.NOTRH
6、foreach语句
C#提供了标准的for循环，同时还提供了foreach语句（从VB中引入）来循环处理集合中的元素。
JAVA遍历集合中的所有元素的典型处理方式如下：
while(!collection.isEmpty())
{
Object o=collection.get()
connection.next()
…
}
C#遍历集合中的所有元素：foreach(object o in collection){…}
7、统一数据类型：
大多数的高级程序设计语言都有基本数据类型，如整型、浮点类型等。同时，为了更好地满足实际的需要，对不同的数据类型有不同的处理方式，显然，如果能够对简单数据类型的处理和对复杂数据类型的处理结合在一起，并用一致的方式加以处理的话，无疑会大大提升应用程序设计的效率，增强程序设计的灵活性。
JAVA语言在处理基本数据类型的时候也采取分别处理的策略，但是在基本数据类型的基础上提供了一系列封装这些基本数据类型的类，例如：整型（int）被类Integer所封装，双精度浮点（double）被类Double封装。
C#提供了一种和JAVA不同的方式来实现数据类型的统一。事实上，在c#中，即使是int这样的简单数据类型在C#内部也是通过一个结构体Int32来实现的，在C#中，可以这样认为，int只是结构体Int32的一个别名。由于C#中的结构体也继承自类Object，这样，Object类中定义的方法，各个结构体也拥有，于是，在C#中可以通过如下的方式来 *** 作整数：int I=5System.Console.WriteLine(i.ToString())
8、 *** 作符重载
通过 *** 作符重载可以用一种比较自然的方式来 *** 纵各种数据类型，从而大大提升程序的可读性和灵活性。C#中的“==” *** 作符在Object类中进行了定义，在Object中定义的== *** 作符通过比较两个值的引用来获得最后的结果。如果使有和集合相关的类，则必须在这样的类中实现ICompar接口，这个接口中定义了一个方法CompareTo，该方法返回两个对象的比较结果，在此基础上，可以进一步定义各个实现比较的 *** 作符，如
“＞”、“＜”、“＞=”、“＜=”等。事实上，数字类型（int、long等）可以直接使用这些比较 *** 作符，它们的内部都实现了ICompare接口。
9、多态性
虚似方法提供了多态性的技持。多态意味着派生类可以定义一个和基类中同名的方法。尽管JAVA和C#都支持多态性，但是它们的具体实现方式还是有一定的差别。
在JAVA语言中，默认情况下，基类的对象可以直接调用派生类中的虚似方法，在C#语言中，基类要调用派生类中的虚似方法必须通过virtual关键字来实现。同时，在C#语言中，一个方法要重载基类中的同名方法，还必须通过关键字override来实现。在C#中实现多态的典型程序如下：
Class B{ public virtual void foo{}}
Class D:B{ public overried void foo(){}}
以上只是简单地比较了C#和JAVA之间的异同，事实上，这二者之间的比较远不止上面所介绍的内容，要学好这两种语言，需要经过大量的实践工作，在实践中区分开两种语言
人，是感官的动物。
我们的大脑，像一块复杂度极高的CPU，每天在接收着各种格式的数据，进行着无休止的计算。我们以各种感官接触着这个世界，抽取着不同感官下的信息，从而认知了世界。而图像作为承载信息最为丰富的一种媒介，在人类探索智慧的历史中，一直占据着重要的位置。人用这样一双肉眼如何识别不同类别的图像（image classification and pattern recognition），如何在图像中分割出形形色色的物体（semantic segmentation and object detection），如何从模糊的图像中想象出物体的轮廓（image super-resolution）,如何创作出天马行空的图画（image synthesis），都是目前 机器视觉图像处理领域 关注的热点问题。全世界的研究者都希望有朝一日，计算机能代替人眼来识别这一幅幅图像，发现在图像中隐藏的密码。
图像分类是图像处理中的一个重要任务 。在传统机器学习领域，去识别分类一个一个图像的标准流程是特征提取、特征筛选，最后将特征向量输入合适的分类器完成特征分类。直到2012年Alex Krizhevsky突破性的提出AlexNet的网络结构， 借助深度学习的算法，将图像特征的提取、筛选和分类三个模块集成于一体 ，设计5层卷积层加3层全连接层的深度卷积神经网络结构，逐层对图像信息进行不同方向的挖掘提取，譬如浅层卷积通常获取的是图像边缘等通用特征，深层卷积获取的一般是特定数据集的特定分布特征。AlexNet以15.4%的创纪录低失误率夺得2012年ILSVRC（ImageNet大规模视觉识别挑战赛）的年度冠军，值得一提的是当年亚军得主的错误率为26.2%。 AlexNet超越传统机器学习的完美一役被公认为是深度学习领域里程碑式的历史事件，一举吹响了深度学习在计算机领域爆炸发展的号角 。
时间转眼来到了2014年，GoogleNet横空出世，此时的深度学习，已经历ZF-net，VGG-net的进一步精炼，在网络的深度，卷积核的尺寸，反向传播中梯度消失问题等技术细节部分已有了详细的讨论，Google在这些技术基础上引入了Inception单元，大破了传统深度神经网络各计算单元之间依次排列，即卷积层->激活层->池化层->下一卷积层的范式，将ImageNet分类错误率提高到了6.7%的高水平。
在网络越来越深，网络结构越来越复杂的趋势下，深度神经网络的训练越来越难，2015年Microsoft大神何恺明（现就职于Facebook AI Research）为了解决训练中准确率先饱和后降低的问题，将residual learning的概念引入深度学习领域，其核心思想是当神经网络在某一层达到饱和时，利用接下来的所有层去映射一个f(x)=x的函数，由于激活层中非线性部分的存在，这一目标几乎是不可能实现的。
但ResNet中，将一部分卷积层短接，则当训练饱和时，接下来的所有层的目标变成了映射一个f(x)=0的函数，为了达到这一目标，只需要训练过程中，各训练变量值收敛至0即可。Resdiual learning的出现，加深网络深度提高模型表现的前提下保证了网络训练的稳定性。2015年，ResNet也以3.6%的超低错误率获得了2015年ImageNet挑战赛的冠军，这一技术也超越了人类的平均识别水平，意味着人工智能在人类舞台中崛起的开始。
图像分类任务的实现可以让我们粗略的知道图像中包含了什么类型的物体，但并不知道物体在图像中哪一个位置，也不知道物体的具体信息，在一些具体的应用场景比如车牌识别、交通违章检测、人脸识别、运动捕捉，单纯的图像分类就不能完全满足我们的需求了。
这时候，需要引入图像领域另一个重要任务： 物体的检测与识别 。在传统机器领域，一个典型的案例是利用HOG（Histogram of Gradient）特征来生成各种物体相应的“滤波器”， HOG滤波器 能完整的记录物体的边缘和轮廓信息，利用这一滤波器过滤不同图片的不同位置，当输出响应值幅度超过一定阈值，就认为滤波器和图片中的物体匹配程度较高，从而完成了物体的检测。这一项工作由Pedro F. Felzenszalb，Ross B. Girshick，David Mcallester还有Deva Ramanan以Object Detection with Discriminatively Trained Part-Based Models共同发表在2010年9月的IEEE Transactions on Pattern Analysis and Machine Interlligence期刊上。
时间如白驹过隙，惊鸿一瞥，四年过去，Ross B. Girishick已由当年站在巨人肩膀上的IEEE Student Member成长为了AI行业内独当一面的神级人物，继承了深度学习先驱的意志，在2014年CVPR会议上发表题为Rich Feature Hirarchies for Accurate Object Detection and Semantic Segmentation文章。RCNN，一时无两，天下皆知。
RCNN 的核心思想在于将一个物体检测任务转化为分类任务 ，RCNN的输入为一系列利用selective search算法从图像中抽取的图像块，我们称之为region proposal。经过warping处理，region proposals被标准化到相同的尺寸大小，输入到预先训练好并精细调参的卷积神经网络中，提取CNN特征。得到了每一个proposal的CNN特征后，针对每一个物体类别，训练一个二分类器，判断该proposal是否属于该物体类别。2015年，为了缩短提取每一个proposal的CNN特征的时间，Girishick借鉴了Spatial Pooling Pyramid Network（SPPnet）中的pooling技术，首先利用一整幅图像提取CNN特征图谱，再在这张特征图谱上截取不同的位置的proposal，从而得到不同尺寸的feature proposals，最后将这些feature proposals通过SPPnet标准化到相同的尺寸，进行分类。这种改进，解决了RCNN中每一个proposal都需要进行CNN特征抽取的弊端，一次性在整图上完成特征提取，极大的缩短了模型的运行时间，因而被称作“Fast R-CNN”，同名文章发表于ICCV 2015会议。
2015年，Girishick大神持续发力，定义RPN（region-proposal-network）层，取代传统的region proposal截取算法，将region proposal的截取嵌入深度神经网络中，进一步提高了fast R-CNN的模型效率，因而被称作“Faster R-CNN”，在NIPS2015上Girishick发表了题为“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”的关键文章，完成了RCNN研究领域的三级跳壮举。
随着时代的发展， 科学家们不仅仅是技术的研究者，更是艺术的创造者 。
在人工智能领域的另一位新一代灵魂人物，Ian Goodfellow在2014年提出了Generative Adversarial Net的概念，通过定义一个生成器（generator）和一个判别器（discriminator）来完成图像生成任务。其原理在于生成器的任务是从随机噪声中“创造”出接近目标图像的“假图像”去欺骗判别器，而判别器的任务是去甄别哪一些图像是来自于真实的数据集，哪一些图像是来自于生成器，在生成器和判别器的互相对抗中，通过合理的损失函数设计完成训练，最终模型收敛后，判别器的概率输出为常数0.5，即一幅图像来自于生成器和真实数据集的概率相同，生成器生成的图像的概率分布无限趋近于真实数据集。
GAN技术成为2015，2016年深度学习研究的热门领域，在图像恢复、降噪、超分辨重建等方向获得了极佳的表现，衍生出一系列诸如WGAN，Info-GAN，DCGAN，Conditional-GAN等技术，引领了一波风潮。
当我们把一帧帧图像串联在一起，变成流动的光影，我们研究的问题就从空间维度上扩展到了时间维度，我们不仅需要关心物体在图像中的位置、类别、轮廓形状、语义信息，我们更要关心图像帧与帧之间的时间关系，去捕捉、识别一个物体的运动，去提取视频的摘要，去分析视频所表达的含义，去考虑除了图像之外的声音、文本标注，去处理一系列的自然语言，我们的研究一步一步，迈向了更广阔的星辰与大海。
图像和视频，都是虚拟的一串串数字，一个个字节，但却让这个世界更加真实 。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）