深度优先(DFS)

  1. 先访问第一个节点(每访问一个节点需要标记已访问,可用数组)
  2. 结点v入栈
  3. 当栈非空时,继续执行,否则算法结束
  4. 出栈,取得头结点u
  5. 查找u的第一个邻结点w
  6. 若u的邻结点w不存在,返回第三步,否则执行下面步骤
    • 若结点w尚未被访问,访问w并标记为已访问(若已经被访问,则跳过下一小步)
    • 结点w入栈
    • 查找结点u相对于w的下一个邻结点
  7. 若是连通图,一次则可完成,否则需要循环调用方法

广度优先(BFS)

  1. 访问初始节点v并标记节点v为已访问
  2. 节点v入队列
  3. 当队列非空时,继续执行,否则算法结束
  4. 出队列,取得队头节点u
  5. 查找节点u的第一个邻结点w
  6. 若节点u的邻结点w不存在,则回到第三步,否则执行以下三个步骤
    • 若结点w尚未被访问,访问结点w并标记w为已访问(若已经被访问,跳过下一小步)
    • 结点w入队列
    • 查找结点u的相对于w的下一个邻结点w,转到步骤6
  7. 若是连通图,一次则可完成,否则需要循环调用方法

示例

在这里插入图片描述

  • 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:判断的目标属于哪个类别。 定位问题:确定目标在的具体位置。 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