数据结构之初体验

本文作者分享了自己初次深入学习数据结构的体会,强调了理解数据结构的重要性。文中介绍了数组、栈、队列、链表、树和散列表等基本数据结构,以及它们在存储和操作数据时的特点。作者通过实例解释了数据结构如何影响程序的效率,并指出在提升某一方面性能时可能需要权衡其他因素。
摘要由CSDN通过智能技术生成

大学是测控技术与仪器专业,虽然在嵌入式和c语言时,零散地了解过数据的存储内容,后来在工作中,图像处理方面也接触过K-D树等信息,但是没有系统的对数据结构学习过。有幸大叔开课,对数据结构有了一个整体的把握。

就像打辩论一样,定义先行。

数据结构:计算机存储、组织数据的方式。

由于学过嵌入式,也曾用汇编编程实现过一些功能,对寄存器有一番个人理解。当初大学老师也说,汇编语言能够更加深入地理解数据存储的关系。在此也建议,读者可以尝试使用一下汇编语言写一点简单的东西。在我的理解中,其实数据都是无穷个0和1。通过高低电平表示,数据的增删改查实质都是通过电路的控制。就好像写程序语言一样,我们可以在一个函数里包含另外一个函数,我们如今使用的if和while也都是封装好的内容,底层如何控制电流我们是无从而知的。我们总是站在巨人的肩膀上,如果我们研发一些东西,从基础的0和1开始写,那肯定很费事。就好像砍树,我们使用语言,其实就是使用斧头,斧头是别人制作好的,我们能够更专注于如何发力,而不是如何制作出一把更好的斧头。

隐约觉得有点跑题了,所以这个时候要but一下。

But,在研发的过程中,对于基础的理解也是十分必要的。如今摆在我们面前的不是一把斧头,我们需要了解材质,了解工艺才能更好地知道我们需要哪把斧头。同样的,我们了解了数据结构,才能更好地在研发中选择合适的语句,合适的工具。

进入主题,数据基础结构的心得。大学里一个学期的内容,大叔通过半小时进行简单的讲解,受益匪浅.

常用的结构和存储方式可以分:数组、堆、栈、队列、链表、树、图、散列表。

也可以分为:连续存储和离散存储。

数组    :数组应该是大家最熟悉的。各种语言不同,但是大致相似,相同数据类型数据的集合;

    :堆栈是不同的两个概念,之前都是混淆的,后来有次笔试时才了解到(很显然,当时不会呗)。栈其实就是一个箱子,箱子很窄,我们每次只能将东西丢进去,由于很窄,我们没办法从侧边拿出东西,只能从最上面拿。就是所谓的“后进先出”。

队列    :和栈很相似,然而是“后进后出”模式。之前好像在嵌入式的汇编中接触过,有两个指针,分别指向队前列和队后列。

链表:链表是个很特殊的方式。之后的举例会有点类似这种方式。简单的说,对于数据,进行分开存放,存在不同的纸张中,纸张存放在不同的地方。每张纸张都标识着下一页的位置,这样就实现了离散存储之间的关系对应。

    :“树”这个名字真的是非常形象,可以这样理解。有一堆数据,首先根据一个特征,将数据分成两份,同样的道理,在分开的两份中,再依据不同的特点区分,就好像无穷个if..else语句嵌套一样。这样,当我们要查找数据时,我们只需要根据数据的分类特点,快速的找到内容。比如将数字按奇偶分开,当要找5时,我们只需要在奇数里找。当面对庞大的数据时,这种方式就带来了好处。

散列表:其实就是类似键值对的存在,就好比函数,一一对应,方便查找。

在课程中,印象最深的就是对存储内容的修改。

当我们将1,2,3,4,5存储好之后,如果希望删除3,最简单的方法是,重新创建存储1,2,4,5。然后将原来的内容删除,这样的方法是十分依赖运行速度的。如果数据内容庞大,每修改一个数据,都要运行很久。而针对这问题,提高数据增删改查运行速度的方法,便是牺牲存储空间。就好像硬件条件和软件一样,硬件上简单了,软件上必然要复杂,反之同理。也举一个例,比如原来1,2,3,4,5存储在同一个箱子里,如果要改,就必须全部删除,并重新创建一个箱子放进剩余的数字,而牺牲存储空间的方式就是,将5个数字存在5个箱子里,然后记住箱子的先后顺序,当要删除一个内容时,直接删除该箱子即可,同时修改先后顺序,这样就利用了存储空间来加快运行速度。

总的一句话:我们会发现,当我们想提升某一方面时,不得已就要抑制另一个方面;

其实这是假象,我们确实有可能将所有方面都提升,只不过当这种方法出现后,旧方法就被淘汰了,如是而已。

  • 0
    点赞
  • 1
    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