【leetcode】6. Z 字形变换(zigzag-conversion)(字符串)[中等]

215 篇文章 0 订阅
7 篇文章 0 订阅

链接

https://leetcode-cn.com/problems/zigzag-conversion/

耗时

解题:1h+
题解:1 h 30 min

题意

将给定字符串根据给定的行数进行Z字排列。比如输入字符串为 “LEETCODEISHIRING” 行数为 3 和 4时,排列如下所示:
在这里插入图片描述 在这里插入图片描述
现要求从左往右逐行读取,产生出一个新的字符串,比如 3 行的变成:“LCIRETOESIIGEDHN”, 4 行的变成:“LDREOEIIECIHNTSG”。

思路

一个非常复杂的思路:从答案出发,找到 新字符串 每个字符对应于 原字符串 的位置。观察 Z 形排列中每行字符串的个数,发现:第一行和最后一行规律相同,其余各行相同。分别讨论:

  1. 第一行和最后一行
    所有元素可以构成等差数列,公差为: s e g = n u m R o w s ∗ 2 − 2 seg = numRows*2-2 seg=numRows22。轮到第一行和最后一行时,累加寻找即可。但是注意,当只有一行时, s e g = 0 seg = 0 seg=0,会陷入死循环,特判一下,使得 s e g seg seg 的最小值也是 1 1 1 即可。
  2. 其余各行
    每个Z字形中间有3个元素,Z字形外围的2个元素的规律与第一种情况(1. 第一行和最后一行)相同,麻烦的是中间这个元素。
    观察Z字形,发现:第一个角之间的元素的位置的差第二个角之间的元素的位置的差 是不同的,但是两个差值的和是固定的,为: n u m R o w s ∗ 2 − 2 numRows*2 - 2 numRows22
    如图所示:Z字形第一个角中 E 和 C 之间的差 与 Z字形第二个角中 C 和 I 之间的差 是不同的。
    并且每行的第一个角之间的差可以推导出公式: s e g = n u m R o w s ∗ 2 − 2 ∗ r seg = numRows*2 - 2*r seg=numRows22r( r r r是行数)。
    那么接下来就简单了,这相当于有一个大的等比数列,然后在每两项之间添加一项,并且添加的这项与前一项的差已知。
    也可以这么想:有2个固定的差值,每次相加时轮转,那么对于有两个固定的差,并且每隔一次一变化的情况,设置一个 bool 型的 flag 每次变换一下值即可。
    然后就与第一种情况(1. 第一行和最后一行)相同,累加寻找即可。
    在这里插入图片描述

AC代码

class Solution {
public:
    string convert(string s, int numRows) {
        string ans;
        for(int i = 0; i < numRows; ++i) {
            int pos = i;
            if(i == 0 || i == numRows-1) {
                int seg = max(numRows*2 - 2, 1);
                while(pos < s.size()) {
                    ans += s[pos];
                    pos += seg;
                }
            }
            else {
                int seg = numRows*2 - 2*(i+1);
                bool flag = 0;
                while(pos < s.size()) {
                    ans += s[pos];
                    flag == 0 ? pos += seg : pos += (numRows*2 - 2 - seg);
                    flag = !flag; 
                } 
            }
        }
        return ans;
    }
};
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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