KM匹配题集

最新推荐文章于 2022-05-17 20:01:13 发布
转载 最新推荐文章于 2022-05-17 20:01:13 发布 · 3.4k 阅读 · 4

【HDU】
2255奔小康赚大钱 模板题★
1533Going Home 模板题★
2426Interesting Housing Problem KM★
3395Special Fish KM★
2282Chocolate KM★
2813One fihgt one KM★
1853Cyclic Tour 最小费用圈覆盖★★
3488Tour 最小费用圈覆盖★★
3435A new Graph Game 最小费用圈覆盖★★
3722Card Game 最小费用圈覆盖★★
3718Similarity 求相似度★★
2448Mining Station on the Sea 最短路+KM★★
2853Assignment 求KM最大时,要求改动最少★★
3315My Brute 求KM最大时,要求改动最少★★
3523Image copy detection KM匹配,好题★★★

===================================================================================
【POJ】
2195 Going Home 最小权值匹配
2400 Supervisor, Supervisee 输出所有最小权匹配
2516 Minimum Cost 最小权值匹配或最小费用流
3565Ants 最短匹配肯定是边不相交的

3686 The Windy's 最小权值匹配


ZOJ2342 Roads

KM算法 入门——[kuangbin]KM匹配
Sega_hsj 's Blog
08-01 3883
KM算法 入门——[kuangbin]KM匹配
KM算法（DFS版，优化DFS版，BFS版）
h_bby的博客
11-17 2944
KM算法主要用于二分图的最大权匹配问题 图解 模板 如果我们要求边权值最小的匹配可以把边权值取负值，得出结果后再取相反数即为答案。 KM算法各版本模板： dfs版KM算法模板O(n4)复杂度 图解+模板 题集 对访问过且匹配过的男生，期望值要加上女生减去的期望值；代码中的未访问过的男生实际上包含两种，一种是完全没被访问过的（slack[ j ] = INF），一种是访问过，且更新过slack值但没有参与匹配的男生，由于这种男生可匹配的部分女生期望值降低，所以该男生的slack值减少。 HDU 2255 模板
KM算法(转)
weixin_30326515的博客
08-03 368
KM算法是通过给每个顶点一个标号（叫做顶标）来把求最大权匹配的问题转化为求完备匹配的问题的。设顶点Xi的顶标为A[i]，顶点Yi的顶标为B [i]，顶点Xi与Yj之间的边权为w[i,j]。在算法执行过程中的任一时刻，对于任一条边(i,j)，A[i]+B[j]>=w[i,j]始终 成立。KM算法的正确性基于以下定理： 　　若由二分图中所有满足A[i]+B[j]=w[i,j]的边...
KM_KM算法_km匹配_km_scenegmf_图论_
10-03
图论中KM算法程序子程序，进行最优匹配，可解决分配问题
二分图匹配之最佳匹配——KM算法
dawzski22234的博客
01-16 572
今天也大致学了下KM算法，用于求二分图匹配的最佳匹配。 何为最佳？我们能用匈牙利算法对二分图进行最大匹配，但匹配的方式不唯一，如果我们假设每条边有权值，那么一定会存在一个最大权值的匹配情况，但对于KM算法的话这个情况有点特殊，这个匹配情况是要在完全匹配（就是各个点都能一一对应另一个点）情况下的前提。 自然，KM算法跟匈牙利算法有相似之处。 其算法步骤如下： 1.用邻接矩阵（或其他...
二分匹配题集
09-03
### 二分匹配题集概览 #### 一、基础知识 **匹配**：在一个二分图\( G \)中，存在一个子图\( G' \)，若\( G' \)的边集中任意两条边不共用同一个顶点，则称\( G' \)的边集为\( G \)的一个匹配。 **最大匹配**：在...
[C++]洛谷：KMP字符串匹配 KMP算法详解
weixin_62712365的博客
05-17 1267
洛谷：KMP字符串匹配详解，简单易懂
新（人）版三年级上册数学各单元练习题集.doc
09-29
这篇文档是针对新（人）版三年级上册数学学习的一份综合练习题集，主要涵盖了长度单位的认识和应用。在教学内容中，学生需要掌握基本的长度单位，包括千米（km）、分米（dm）、厘米（cm）和毫米（mm），以及它们之间...
km匹配
weixin_30653097的博客
03-19 100
#include<bits/stdc++.h> using namespace std; const int N=300+10;//左集的个数,右集的个数 const int INF=0x3f3f3f3f; int match[N],v[N][N],lv[N],rv[N],visx[N],visy[N],minz,n; vector<int>g[N]; ...
KM算法（最优匹配）
@~莲坂果贸的博客
04-23 1万+
最优匹配KM算法
【运筹学】km算法入门 （运筹最大对集问题 二分问题的最大权对集）
逆风笑的博客
06-12 2168
一、匈牙利算法 匈牙利算法用于解决什么问题？ 匈牙利算法用于解决二分图的最大匹配问题。 什么是二分图？我们不妨来考虑这样一个问题，在一家公司里，有员工A,B,C，有三种工作a,b,c，如果员工和工作之间有线相连，则代表员工能胜任这份工作。 如图所示，员工A能胜任a,c工作，员工B能胜任a,b,c工作，而员工C只能胜任c工作。 上图就是所谓的“二分图”（请忽略图中箭头），简单的说，上图...
二分图的完全匹配---KM算法
热门推荐
知行合一
08-10 1万+
  写在之前：更多二分图知识，请关注---&gt;二分图知识导航篇   引述    KM算法全称Kuhn－Munkres，是一种求二分图完全、完美、最佳等匹配的方法，其实三个形容词都是指两个集内的所有顶点能够一一匹配，并且所获得的权值最大或最小。如果了解过，其实用最小费用最大流也可以，不过本文就讲解KM算法。在学习的时候，发现KM里面有几处思想挺难懂的，因为没见过吧，所以我将着重讲解下里面独特...
二分图最佳完美匹配——KM算法
Martisum的博客
08-16 5067
前情概要 学km算法之前，笔者还是希望大家已经掌握了匈牙利算法——也就是对于求解二分图最大匹配的算法。学习本算法的前提除了已经掌握C++语言之外，还需要掌握邻接表存图法，不会的朋友这里有传送门 [微笑] 邻接表存图法 km算法是匈牙利算法的改进，他不仅仅继承了匈牙利算法的最大匹配，还可以让匹配后所有匹配边权重加起来最大或者最小——计算机算法总是寻找这些“最”。如果大家对什么是二分图或者什么是二分图...
KM算法及一道例题
ENESAMA的博客
12-14 1094
这道题乍一看没有什么性质，但是我们众所周知也很容易推出来的有一个性质 这种矩阵的每一项a[i][j]是可以表示成a[i]+b[j]的 也就是说我们可以构建一个二分图 对于a[i][j]，左边的点i向右边的点j建一条权值为a[i][j]的边 我们现在的要求是对于每 一条边，要求它两边的点权必须加起来大于等于边权 只要学过KM算法的人，就会突然发现：这怎么和KM算法的实现流程这么像？...
我对KM算法的理解
茅屋
12-26 2579
一般对KM算法的描述，基本上可以概括成以下几个步骤： （1） 初始化可行标杆 （2） 用匈牙利算法寻找完备匹配 （3） 若未找到完备匹配则修改可行标杆 （4） 重复（2）（3）直到找到相等子图的完备匹配 关于该算法的流程及实施，网上有很多介绍，基本上都是围绕可行标杆如何修改而进行的讨论，至于原理并没有给出深入的探讨。 KM算法是用于寻找带权二分图最佳匹配的算法。 二分图是...
图论算法----二分图匹配----KM算法详解
crosnken的博客
05-03 2287
一、相关概念 1.完美匹配 如果一个二分图，X部的每一个顶点都与Y部的一个顶点匹配，并且Y部的每一个顶点也与X部的一个顶点匹配，则该匹配为完美匹配。 2.完备匹配 如果一个二分图，X部的每一个顶点都与Y部的一个顶点匹配，或者Y部的每一个顶点也与X部的一个顶点匹配，则该匹配为完备匹配。完美匹配属于完备匹配。 3.最大权匹配 带权二分图的权值最大的匹配为最大权匹配。
最佳匹配KM（kuhn-Munkres）算法
weiwei22844的专栏
12-21 4009
<br /><br />给定一个二分图G，M为G边集的一个子集，如果M满足当中的任意两条边都不依附于同一个顶点，则称M是一个匹配。<br />　　极大匹配(Maximal Matching)是指在当前已完成的匹配下,无法再通过增加未完成匹配的边的方式来增加匹配的边数。最大匹配(maximum matching)是所有极大匹配当中边数最大的一个匹配。选择这样的边数最大的子集称为图的最大匹配问题。<br />　　如果一个匹配中，图中的每个顶点都和图中某条边相关联，则称此匹配为完全匹配，也称作完备匹配。完美匹配：
KM算法匹配检测框
最新发布
03-28
<think>好的，我现在需要帮助用户了解如何使用KM算法进行检测框的匹配。首先，我得回忆一下KM算法的相关知识。KM算法，也就是Kuhn-Munkres算法，主要用于解决二分图的最佳匹配问题，尤其是在有权图中寻找最大权或最小权的完美匹配。用户提到检测框的匹配，这通常出现在目标跟踪或者多目标检测的场景中，比如将前一帧的检测框和当前帧的检测框进行关联，确定同一目标的位置变化。 接下来，我需要考虑如何将KM算法应用到检测框的匹配上。根据用户的引用内容，引用[2]提到KM算法可以处理最大权匹配，但用户可能需要的是最小权匹配。这时候可能需要将问题转换为最大权匹配，比如将权重取负数，或者调整算法中的权重计算方式。例如，在目标跟踪中，检测框之间的距离（如IOU，即交并比）可以作为权重，但通常我们希望匹配IOU较大的，所以可能需要将IOU转换为权重值，使得最大权对应最佳的匹配。 然后，我需要构建一个二分图模型。左边的节点代表前一帧的检测框，右边的节点代表当前帧的检测框。权重可以基于检测框之间的距离或其他相似度指标。例如，使用欧氏距离的话，距离越小，相似度越高，这时候可能需要将距离转换为负数，使得KM算法寻找最大权匹配时实际上是在寻找最小距离的匹配。 接下来是具体的实现步骤。首先需要计算所有检测框之间的相似度矩阵。假设有M个前一帧的检测框和N个当前帧的检测框，构建一个MxN的权重矩阵。然后应用KM算法来找到最优匹配。需要注意的是，KM算法通常处理完全匹配的情况，所以如果两边的节点数不同，可能需要添加虚拟节点，并设置合适的权重（比如0或者极大/极小值）以确保完美匹配。 用户提供的引用[1]中的代码是关于匈牙利算法处理最小权重完美匹配的，但KM算法更适合带权的情况。引用[3]提到KM算法需要在完全匹配的情况下找到最大权值，所以用户可能需要调整权重的方向。例如，在代码中，如果将相似度（如IOU）作为权重，直接使用KM算法寻找最大权匹配即可；但如果使用距离作为代价，可能需要转换为负数，使最小代价变为最大权值。 然后，我需要考虑具体的代码实现。用户可能需要一个示例代码，比如用Python实现KM算法，并将检测框的IOU作为权重。代码部分需要包括权重矩阵的计算，KM算法的实现，以及如何将匹配结果应用到检测框上。需要注意的是，KM算法的时间复杂度较高，可能不适用于实时性要求极高的场景，这时候可能需要优化或者使用近似算法。 此外，还需要考虑检测框匹配中的实际问题，比如如何处理遮挡、新出现的目标或者消失的目标。这时候可能需要设置阈值，当权重低于某个值时，认为没有匹配，从而处理新增或消失的目标。引用[2]中提到用户将KM算法从最大权改为最小权，这可能涉及到修改顶标更新的逻辑，或者在权重处理时进行调整。 最后，我需要总结应用步骤，明确各个阶段的关键点，并生成相关问题，帮助用户进一步理解KM算法在检测框匹配中的应用，以及可能的优化方法和实际应用中的考量。</think>### 使用KM算法匹配检测框的实现方法 KM算法（Kuhn-Munkres算法）主要用于解决**带权二分图的完美匹配问题**，在检测框匹配中，常用于目标跟踪或多目标关联场景，例如将前一帧的检测框与当前帧的检测框进行最优匹配。以下是具体实现步骤： --- #### 1. **问题建模** - **二分图构建**： - 左节点集：前一帧的检测框（记为集合$U$）。 - 右节点集：当前帧的检测框（记为集合$V$）。 - 边权重：检测框之间的相似度（如IoU交并比、欧氏距离、余弦相似度等）。 - **目标**： 找到一种完美匹配（每个检测框都有唯一对应），使得总权重最大（或最小）。若需要最小权重，可将权重取负数后求最大匹配[^2]。 --- #### 2. **权重计算示例** 以IoU（交并比）为例，计算两个检测框的相似度： $$ \text{IoU} = \frac{\text{Area}(B_1 \cap B_2)}{\text{Area}(B_1 \cup B_2)} $$ 权重矩阵中，IoU值越大，匹配优先级越高。 --- #### 3. **KM算法实现步骤 1. **初始化顶标**： - 左节点顶标$lx[i] = \max(\text{权重矩阵第i行})$ - 右节点顶标$ly[j] = 0$ 2. **寻找增广路径**： 通过DFS或BFS搜索满足$lx[i] + ly[j] = w[i][j]$的边，构建相等子图。 3. **调整顶标**： 若无法找到完美匹配，调整顶标以扩大相等子图范围，直至找到最优匹配。 --- #### 4. **代码示例（Python简化版）** ```python import numpy as np class KMAlgorithm: def __init__(self, weight_matrix): self.weight = weight_matrix self.n, self.m = weight_matrix.shape self.lx = np.max(weight_matrix, axis=1) # 左顶标 self.ly = np.zeros(self.m) # 右顶标 self.match = -np.ones(self.m, dtype=int) # 匹配结果 self.visx = np.zeros(self.n, dtype=bool) # 左节点访问标记 self.visy = np.zeros(self.m, dtype=bool) # 右节点访问标记 def find_path(self, u): self.visx[u] = True for v in range(self.m): if not self.visy[v] and abs(self.lx[u] + self.ly[v] - self.weight[u][v]) < 1e-6: self.visy[v] = True if self.match[v] == -1 or self.find_path(self.match[v]): self.match[v] = u return True return False def solve(self): for u in range(self.n): while True: self.visx.fill(False) self.visy.fill(False) if self.find_path(u): break # 调整顶标 delta = np.inf for i in range(self.n): if self.visx[i]: for j in range(self.m): if not self.visy[j]: delta = min(delta, self.lx[i] + self.ly[j] - self.weight[i][j]) for i in range(self.n): if self.visx[i]: self.lx[i] -= delta for j in range(self.m): if self.visy[j]: self.ly[j] += delta return self.match # 示例：检测框IoU矩阵 iou_matrix = np.array([ [0.8, 0.2, 0.1], [0.3, 0.7, 0.4], [0.0, 0.5, 0.6] ]) km = KMAlgorithm(iou_matrix) matches = km.solve() # 输出右节点匹配的左节点索引 print("匹配结果:", matches) # 例如：[0, 1, 2]表示右节点0→左节点0，右节点1→左节点1 ``` --- #### 5. **实际应用优化** - **处理非对称情况**：若检测框数量不等，需添加虚拟节点并设置权重为0[^3]。 - **性能提升**：使用稀疏矩阵存储权重，减少计算量。 - **动态更新**：在目标跟踪中，结合卡尔曼滤波预测检测框位置，提高匹配准确性。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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