ADS第二节课红黑树笔记

本文深入探讨了红黑树这种自平衡二叉查找树的数据结构。红黑树通过颜色属性而非高度实现平衡,减少旋转次数,保证搜索效率。插入节点时,主要涉及红色节点的处理,包括直接插入、旋转调整和颜色变换。删除节点相对复杂,根据节点子节点情况采取不同策略,并进行颜色修正以保持树的平衡。红黑树在实际应用中广泛用于提升数据结构效率。
摘要由CSDN通过智能技术生成

一、红黑树是带有颜色属性的BST
实际上用颜色而不是高度是为了节约空间,因为颜色只有一位,实际上这个数据结构也是相对AVL简单的
可以理解为用非严格的平衡换取增删节点的时候旋转次数的下降
它的性质有:
1、节点红/黑
2、根节点为黑色的,叶子节点带有两个空的黑色节点
3、每个叶子节点都带有两个空的黑色节点
4、每个红色节点的两个子节点都是黑色(或者说路径上不能有连续的红色节点
5、从任一节点到它所能到达的叶子节点的所有简单路径都包含相同数目的黑色节点
黑哨兵很重要,保证了树的平衡的问题
二、红黑树的插入
旋转操作与AVL树类似
插入时先标红(核心是旋转加颜色改变)
简单情况:
1、父节点为黑色,直接结束
2、父节点为红色,父节点的sibling为黑色
对于grandpa节点,父节点左/右旋提上去,再把grandpa节点标红,父节点标黑即可
3、父节点为红色,父节点的sibling为红色
则两个节点标黑,看祖父节点,标红,然后再往上更改,其实这里就是把祖父节点堪称刚才重新插入的一种情况
三、红黑树的插入
有点复杂,情况比较多,最好的分类情况是这样的:
首先看节点的情况
1、如果是叶子节点,直接删除即可
2、如果被删除节点只有一个子节点,那么我们用该子节点替代即可
3、如果有两个孩子,我们选择它的后继节点,这样用后继节点替代它之后,我们问题转化为删除后继节点的问题
(另外删除不是真的删除(除了叶子节点),都是后面的数据往前移动)
然后是颜色的修正的情况
见PPT

  • 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: 分类问题: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、算法分类 基于深度学习的目标检测算法主要分为两大类: 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分类。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分类和位置。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分为多个区域,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