20170710总结

今天是数据结构的最后一天。上午考试一反常态,花式翻车。T1是签到水题,居然没开longlong,int爆成负;T2T3用的是I64d(调试为windows下),考试为linux下,应该用lld,爆零了。T2是一个splay的版题,但是因为对翻转操作不熟悉,没有写正解。看来得多写写splay,因为比较好写又灵活的平衡树就是splay了(当然,treap也算)。T3写了一个玄学的值域主席树优化,虽然最坏复杂度还是O(n^2),但是如果值域范围小,在10000以内都能过,因而我Task3和Task4都过了一半以上,可惜是子任务,不然就赚了。T3正解是分块,不太好写。隔壁小胖学长说是莫队,而且他的程序碾压标程,三项都比标程好,,ԾㅂԾ,,…莫队大法好
下午先讲了树链剖分,然后讲了一些数据结构杂题。杂题的思维难度都比较高,而且根本看不出和数据结构有什么联系。个人认为,数据结构其实就是工具,和解题方法无关,方法归方法,数据结构只是在解题的时候进行优化。除了版题以外,对于其他数据结构题,想的时候还是不要使劲往数据结构上靠,应该先全面想,再在局部用数据结构优化,这样才能打开思维。

  • 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