20170628总结

20170628总结
今天是图论的最后一节课,除了网络流外都上完了。复习了欧拉路、拓扑,重新熟悉了代码。对于连通分量,复习了有向图的tarjan和割点割边,新学了无向图里的边双和点双连通分量。圆桌会议那道题虽然懂了,但自愧写不出来那样巧妙的代码。接下来是2-SAT,隐隐约约懂了,但推起细节却又有些模糊,2-SAT问题很玄妙,得花时间多理解理解。最后是最短路,给了几道比较难的题,但常用的做法就是拆点或在每个状态跑一遍SPFA,最后一道二分答案+最短路的题很精妙,但估计我调不出来。
上午和中午的课余时间把昨天的三道题都调出来了。图论就是这样,难想,难建模,但想出来就是模板(可能综合几个模板)。
下午考试很难,T1完全没想到是拓扑,甚至怀疑这不是图论,但听了评讲后觉得还是蛮简单的。T2想到了DFS序,又因时间复杂度想了3种优化,只可惜连记录进入时间戳都想到了,居然没想到打出来的时间戳,很冤。T3的确没有思路,因为没来得及听dogher大神讲,晚上问了杨林翰。听完觉得很精妙,有点像2-SAT的那种推理方式,但又有许多不同。对于图论,我还得加强建模的训练。
明天开始就是DP了,我的弱项,希望RP++吧

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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