作业4.7

文章详细介绍了使用C语言编写的链栈和链式队列实现,包括节点的创建、插入、删除以及队列的判断和遍历操作。
摘要由CSDN通过智能技术生成

1、用链栈10转2
01_main.c
#include <stdio.h>
#include"./03_b.h"
int main(int argc, const char argv[])
{
ls
x=cj();
int y=0;
scanf(“%d”,&y);
printf(“%d\n”,y);
int i=0;
while(1){
if(1y%2){
yz(x,y%2);
y=y/2;
}else if(0
y%2){
yz(x,y%2);
y=y/2;
}
if(0y||1y){
yz(x,y);
break;
}i++;
}
fz(x);
bl(x);
return 0;
}
02_a.c

#include <stdio.h>
#include<stdlib.h>
#include"./03_b.h"
//创建
ls* cj(){
ls* head=(ls*)malloc(sizeof(ls));//申请一个堆空间
if(NULL == head){
printf(“头结点申请失败,链表创建失败\n”);
return NULL;
}
//将头结点进行初始化
head->data.len=0;
head->next=NULL;
return head;
}
void yz(lshead,zx num){
ls
a=(ls*)malloc(sizeof(ls));
if(NULL==a){
printf(“创建新结点失败,插入失败\n”);
return;
}
//将结点初始化
a->data.text=num;
a->next=NULL;
//找到尾结点
lsp=head;
while(p->next!=NULL){
p=p->next;
}
//尾插法插入数据
a->next=p->next;
p->next=a;
head->data.len++;
return;
}
void bl(ls
head){
lsp=head;
while(p->next!=NULL){
//printf(“%d\t”,p->data.text);
p=p->next;
printf(“%d\t”,p->data.text);
}
printf(“\n”);
return;
}
void tz(ls
head){
lsx=head->next;
ls
y=head;
while(x->next!=NULL){
x=x->next;
y=y->next;
}
free(x);
y->next=NULL;
head->data.len–;
return;
}
void fz(lsa){
//备份第一个结点
ls
x,y;
x=a->next;
//头结点独立出来
a->next=NULL;
//头插法插入链表中
while(x!=NULL){
y=x->next;
x->next=a->next;
a->next=x;
x=y;
}
return;
}
03_b.h
#ifndef C
#define C
typedef int zx;
typedef struct lsdl{
union{
zx text;
int len;
}data;
struct lsdl
next;
}ls;

lscj();
void yz(ls
,zx);
void bl(ls*);
void tz(ls*);
void fz(ls*);
#endif

2、链式队列

#include <stdio.h>
#include<stdlib.h>
#include"./02_lsdl.h"
//创建
lq_hr* cj(){
lq_hrq=(lq_hr)malloc(sizeof(lq_hr));
if(NULLq){
printf(“创建失败\n”);
return 0;
}
q->head=(ls*)malloc(sizeof(ls));
if(NULL
q->head){
printf(“创建失败\n”);
free(q);
return 0;
}
q->head->next=NULL;
q->head->data.len=0;
q->rear=q->head;

return q;

}
//(入队)头插
void tc(lq_hra,zx b){
lq_hr
y=a;
lsx=(ls)malloc(sizeof(ls));
if(NULLx){
printf(“创建失败”);
return;
}
x->data.text=b;
x->next=y->head->next;
y->head->next=x;
y->rear=x;
y->head->data.len++;
return;
}
//判空
zx pk(lq_hr*a){
if(a->head
a->rear){
printf(“为空”);
return 1;
}return 0;
}
//(出队)头删
void ts(lq_hra){
ls
x=a->head;
lq_hrz=a;
if(pk(z)){
return;
}
ls
y=x->next;
x->next=y->next;
x->data.len–;
free(y);
if(x->nextNULL){
a->rear=a->head;
}
}
//(入队)尾插
void wc(lq_hra,zx b){
ls
x;
lq_hry=a;
x=(ls
)malloc(sizeof(ls));
if(NULL
x){
printf(“创建失败”);
return;
}
x->next=NULL;
x->data.text=b;
y->rear->next=x;
y->rear=x;
y->head->data.len++;
return;
}
//(出队)尾删
void ws(lq_hra){
lq_hr
x=a;
if(pk(x)){
printf(“空链队列”);
return;
}
lsy=a->head;
while(y->next->next!=NULL){
y=y->next;
}
free(y->next);
y->next=NULL;
a->rear=y;
return;
}
//遍历
void bl(lq_hr
a){
ls*x=a->head->next;
while(x!=NULL){
printf(“%d “,x->data.text);
x=x->next;
}
printf(”\n”);
return;
}

  • 4
    点赞
  • 8
    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