一道某高大上互联网公司的笔试题分享

声明:

首先声明,我没有参加此次考试(吾老矣),我只是道听途说,是否真的存在这道试题呢?谁知道呢!在此仅仅是想向大家分享一些知识。

原题大概描述:

给定一个二维数组,里面随机的填写0和1,求取把上下左右连续(斜线不算相连)的1周边0的个数。在这里可以把由1构成数据看成一个岛屿,求岛屿海岸线的长度,即周边0的个数。

举个简单例子:(还有更为复杂的图像)

比如
0 0 0
0 1 1 0
0 1 0 0 0
0 1 1 1 1 0
0 0 0 0 0
连续向连的1,周边有多少个0?(加粗的0是答案)

引子:

看过人机博弈,吃子棋游戏(二)如何算气的博友,应该瞬间就有思路了吧。其实围棋的算气,在没有眼位的情况下,就是计算算实心岛屿的海岸线。在有眼位的情况下,围棋算气也是计算空心岛屿内部的海岸线长度和外部海岸线长度。什么是围棋的眼位,请百度之,我们不继续讨论围棋的眼位了。

 

解决思路:

我 并不知道详细的题目,所以对于此题空心岛屿的内部海岸线长度是否需要特殊处理无从知晓。不过,在算气的时候检测是否存在眼位并不难,加标示即可。如果确实 是包含空心的岛屿,即形成眼位的围棋,我们可以进行特殊处理。我们只要将总气数扣除内部眼位的气数就ok了,怎么扣除是个问题。

在这里,我说个思路,不一定够好,但可以解决问题。

1.确定内部海岸线的最小包围盒(这里有可能存有外部海岸线,但可以排除大部分外部海岸线),可以节省很多运算。

2.检测包围盒内海岸线点是否可以抵达包围盒的曼哈顿距离最短的边界,如果可以抵达,且与之相连接的海岸线上的点均可抵达,它们都是外部海岸线。

3.否则,如果无法走至包围盒的此边界,则证明其被包围,属于内部海岸线,且与之相连的点均属于内部海岸线。

4.依据上述方法检测包围盒内部的不重复的所有点,即可得出哪些是内部海岸线。

我们知道这个算法效率不高(配合最小包围盒,以及连通点性质相同,实际上寻路的次数应该很少),但它是正确的,被包围的海岸线内部的点,就像困在岛屿里的小怪物,永远无法逃出来。而外部海岸线上的点仅仅会认为岛屿是个障碍物而已。

这个算法可以处理任意复杂的图形,就算山路18弯,外部点也会历经周折到达海岸线,空心岛有好多空心,也不会搞错内部点or外部点。

针对第二点用深度优先搜索或是Astar算法均可以,我们目的是找到路就行,而不是找到最短的路。

 

总结:

        我发博文的时候,并没有把围棋中算气算法抽象成为一个 1,0笔试题。大胆猜测一下,也许出题人正是看到相关博文,才萌生了出此题的想法。我想在CSDN上应该有一部分人更关注笔试题面试题相关的内容,而忽略了本有实质性内容而不是针对笔试题的文章,希望大家能够从各种博客中提取出抽象的知识,以不变应万变。

 

如果你有更好的思路,可以留言讨论下。转载请表明出处

再补充一个例子,很久以前我参加某公司笔试,遇到一题如下,给定一个数组,数组中的数值是随机的且乱序的,要求把偶数排在数组的前面,奇数排在数组的后面,还希望你的算法时间复杂度尽量低。可以使用C/C++语言作答。

你怎么看这到题,如果你瞬间就有极好的方法,我得恭喜您,因为几年前的我确实想了很长时间才写出了正确但时间复杂度比标准答案略高的代码,后来阅读一些资料,说标准答案使用首尾两个指针解决这个问题。恩,今天我要说的是,标准答案该更新了,或是题目该加以更多限制了。看了代码你就明白了!

 1 #include <iostream>
 2 #include <algorithm>
 3 using namespace std;
 4 int main()
 5 {
 6     vector<int> nums{1,2,3,4,5,6,7,8,9,10};
 7     random_shuffle(nums.begin(),nums.end());
 8     partition(nums.begin(),nums.end(),[](int ele)->bool{return ele%2==0;});
 9     for(auto& ele:nums){cout<<ele<<" ";};
10     cout<<endl;
11 }

仅仅10行代码,包括一切。仅仅第8行代码,就完成这道题。哈哈,我不希望出题人看见这篇博客。因为也许他会无德的在题目后面加上一句话禁止使用STL。

而如果你是即将参加笔试的小同志,记得带上STL攻城利器, 让守城的人亮瞎双眼。

有一点请放心,出题人在怎么优化的代码,也很难(但还是有可能,某些很专业化的问题,但是这种问题一般不会是面试题吧)在性能上超过STL。一是出题人的水平怎能和STL编写者比。二是,C++编译器更懂得优化STL,而不是你的代码。

 

转载于:https://www.cnblogs.com/tangzhenqiang/p/4048051.html

  • 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
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