练习 2.3-5 二分查找

#include <iostream>
#include <vector>
using namespace std;

void merge(vector<int> &ivec, int p, int q, int r )
{
	int nl=q-p+1;
	int nr=r-q;
	int *L=new int[nl];
	int *R=new int[nr];
	for(int i=0;i<nl;i++)
	{
		L[i]=ivec[p+i];
	}
	for(int j=0;j<nr;j++)
	{
		R[j]=ivec[q+j+1];
	}
	int m=0;
	int n=0;

	for(int k=p;k<=r;k++)
	{
		if(m<nl && n<nr)
		{
			ivec[k]=L[m]<R[n]?L[m++]:R[n++];
		}
		else if(m<nl)
		{
			ivec[k]=L[m++];
		}
		else
		{
			ivec[k]=R[n++];
		}
	}
	delete [] L;
	delete [] R;	
}
void mergeSort(vector<int> &ivec, int p, int r )
{
	if(p<r)
	{
		int q=(p+r)/2;
		mergeSort(ivec,p,q);
		mergeSort(ivec,q+1,r);
		merge(ivec,p,q,r);
	}
}
int binary_search(vector<int> &ivec,int p,int r,int key)
{
	if(p>=r && ivec[p]!=key)
		return -1;
	else
	{
		int q=(p+r)/2;
		if(key>ivec[q])
			return binary_search(ivec,q+1,r,key);
		else if(key<ivec[q])
			return binary_search(ivec,p,q-1,key);
		else
			return q;
	}

}
int main()
{
	cout<<"enter a list of numbers:(ctrl+z to end)"<<endl;
	vector<int> ivec;
	int val;
	while(cin>>val)
		ivec.push_back(val);
	cout<<"enter the number you want to search:"<<endl;
	int key;
	cin.clear();
	cin.sync();
	cin>>key;

	//先合并排序
	mergeSort(ivec,0,ivec.size()-1);
	cout<<"排序后:"<<endl;
	for(vector<int>::size_type i=0;i<ivec.size();i++)
	{
		cout<<ivec[i]<<" ";
	}
	cout<<endl;
	//在二分查找
	int index=binary_search(ivec,0,ivec.size()-1,key);
	if(index!=-1)
	{
		cout<<"查找的元素 "<<key<<" 在已排序数组中的索引为 "<<index<<endl;
	}
	else
	{
		cout<<key<<" 不在数组中"<<endl;
	}
	
	return 0;
}

  • 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
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