1101 Quick Sort (25 分)

题意:

Input Specification:

Each input file contains one test case. For each case, the first line gives a positive integer N (≤10​5​​). Then the next line contains N distinct positive integers no larger than 10​9​​. The numbers in a line are separated by spaces.

Output Specification:

For each test case, output in the first line the number of pivot candidates. Then in the next line print these candidates in increasing order. There must be exactly 1 space between two adjacent numbers, and no extra space at the end of each line.

Sample Input:

5
1 3 2 4 5

Sample Output:

3
1 4 5

分析:

pivot:枢轴/中心点。其实pivot应该就是我们所说的快排中的 “哨兵”。快排中,任选一个元素为哨兵,然后对于其他的元素,小于哨兵的移动到哨兵的左边,大于的则挪到右边。

其实在这里,可以对于每一个元素左边和右边分别sort(),然后比较这个元素是否大于左边的最大值并且小于右边的最小值。但是这样做肯定会超时!!!所以必须换种思路。

我们可以先对整个序列sort(),然后把原序列的每一个元素与排序后的新序列进行比较:

1. 设一个变量max=0.

2.  1)比较排序前的元素和排序后元素的位置是否是一样的(快排的哨兵在一次快排后在序列中的位置和序列进行完整排序后是一致的呦~,因为哨兵大于它前的所有元素的最大值,且小于它后边所有元素的最小值!);  2)排序前的元素>max吗?如果 1)、2)都符合,则它可以是哨兵

3. 如果 循环到的 (未排序)序列的元素 > max,max=此元素~

代码:

#include<iostream>
#include<algorithm> 
#include<vector>
using namespace std;
int main(){
	int n,max=0,cnt=0;
	cin>>n;
	vector<int> v1(n),v2(n),v3;//int: -2147483648~2147483647
	for(int i=0;i<n;i++){
		cin>>v1[i];
		v2[i]=v1[i];
	}	
	sort(v2.begin(),v2.end());
	for(int i=0;i<n;i++){
		if(v1[i]==v2[i]&&v1[i]>max){
			cnt++;
			v3.push_back(v1[i]);
		}
		if(v1[i]>max) max=v1[i];
	}
	printf("%d\n",cnt);
	for(int i=0;i<cnt;i++){
		if(i>0) printf(" ");
		printf("%d",v3[i]);
	}
    cout<<endl;
	return 0;
} 

总结:

考点:快速排序,考察对快排的核心内容的理解

逻辑题

  • 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: 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、算法类 基于深度学习的目标检测算法主要为两大类: 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