二叉堆-选择排序

二叉堆 :

稳定性:不稳定

复杂性:较复杂

原址性:原址

用途:排序,优先队列

类别选择排序
数据结构数组
时间复杂度:最坏情况O(n\log n)
最好情况O(n\log n)
平均情况O(n\log n)
空间复杂度O(1) a

#include <iostream>
using namespace std;

void sift(int table[],int low,int high);

void HeapSort(int table[],int n);

int main()
{
	int tab[5];
	for (int i=0;i <5;i ++)
	{
		cin>>tab[i];
	}
	HeapSort(tab,5);
	for (int i=0;i <5;i ++)
	{
		cout<<tab[i]<<" ";
	}
	system("pause");
	return 0;
}

void sift(int table[],int low,int high)
{
	int i=low;
	int j=2*i+1;
	int temp=table[i];
	while (j<=high)
	{
		if (j<high&&table[j]>table[j+1])
		{
			j++;
		}
		if (temp>table[j])
		{
			table[i]=table[j];
			i=j;
			j=2*i+1;
		}
		else
		{
			j=high+1;
		}
	}
	table[i]=temp;
}

void HeapSort(int table[],int n)
{
	for (int i=(n-1)/2;i >=0;i --)
	{
		sift(table,i,n-1);
	}
	for (int i=n-1;i>0;i--)
	{
		int temp=table[0];
		table[0]=table[i];
		table[i]=temp;
		sift(table,0,i -1);
	}
}



using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace ConsoleApplication1
{
    struct RecType
    {
        public int key;
        public string data;
    }

    class InterSortClass
    {
        const int MaxSize = 100;
        public RecType[] R;
        public int length;

        public InterSortClass()
        {
            R = new RecType[MaxSize];
            length =0;
        }

        public void MinHeapify(int low, int high)                //维护堆  二叉最小堆
        {
            int i = low, j = 2 * i+1;
            RecType tmp = R[i];
            while (j <= high)
            {
                if (j < high && R[j].key > R[j + 1].key)
                {
                    j++;
                }
                if (tmp.key > R[j].key)
                {
                    R[i] = R[j];
                    i = j;
                    j = 2 * i;
                }
                else
                    break;
            }
            R[i] = tmp;
        }

        public void BuildHeap()                                 //建堆
        {
            for (int i = length / 2; i >= 0; i--)
                MinHeapify(i, length-1);
        }

        public void HeapSort()                                   //堆排序,由大到小排列
        {
            BuildHeap();
            for (int i = length-1; i >= 1; i--)
            {
                RecType tmp = R[0];
                R[0] = R[i];
                R[i] = tmp;
                MinHeapify(0, i-1);
            }
        }

        public void CreateList()
        {
            string a = Console.ReadLine();
            string[] b = a.Split(new char[] { ',' });
            for (int i = 0; i < b.Length; i++)
            {
                R[i].key = Convert.ToInt32(b[i]);
            }
            length = b.Length;
        }
    }
}


  • 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