LeetCode:Insert Interval

Given a set of non-overlapping intervals, insert a new interval into the intervals (merge if necessary).

You may assume that the intervals were initially sorted according to their start times.

Example 1:
Given intervals [1,3],[6,9], insert and merge [2,5] in as [1,5],[6,9].

Example 2:
Given [1,2],[3,5],[6,7],[8,10],[12,16], insert and merge [4,9] in as [1,2],[3,10],[12,16].

This is because the new interval [4,9] overlaps with [3,5],[6,7],[8,10].

题目:插入新区间

思路:感觉这个题做起来比看起来复杂很多。。逻辑上情况比较多,我是遍历给定区间,根据新区间的 start 和 end 相对于当前区间的位置关系,分别处理。特别想说的是:研究了一下用 iterator 遍历 vector,感觉就是个坑,做 insert 、 push_back 、 erase 操作之后需要重新指定 iterator ,好麻烦。最后还是选用下标访问 vector 的方式。标志 isstart 和 isend 用来标记是否处理好新区间的 start / end。另外要考虑清楚插入区间的位置,插入后遍历下标也做相应移动即可。

 

 1 /**
 2  * Definition for an interval.
 3  * struct Interval {
 4  *     int start;
 5  *     int end;
 6  *     Interval() : start(0), end(0) {}
 7  *     Interval(int s, int e) : start(s), end(e) {}
 8  * };
 9  */
10 class Solution {
11 public:
12     vector<Interval> insert(vector<Interval>& intervals, Interval newInterval) {
13         Interval addinterval;
14         bool isstart = false;
15         bool isend = false;
16         if(!intervals.size()){
17             intervals.push_back(newInterval);
18             return intervals;
19         }
20         if(newInterval.start <= intervals[0].start && newInterval.end >= intervals[intervals.size()-1].end){
21             vector<Interval> ret;
22             ret.push_back(newInterval);
23             return ret;
24         }
25         for(int i = 0;i<intervals.size();){
26             if(newInterval.start < intervals[i].start){
27                 if(newInterval.end < intervals[i].start){
28                     if(!isend){
29                         if(!isstart){
30                             intervals.insert(intervals.begin()+i, newInterval);
31                             isstart = true;
32                             isend = true;
33                             i+=2;
34                         }
35                         else{
36                             addinterval.end = newInterval.end;
37                             intervals.insert(intervals.begin()+i, addinterval);
38                             isend = true;
39                             break;
40                         }
41                     }
42                     else{
43                         break;
44                     }
45                 }else if(newInterval.end < intervals[i].end){
46                     if(!isstart){
47                         addinterval.start = newInterval.start;
48                         addinterval.end = intervals[i].end;
49                         intervals.insert(intervals.begin()+i, addinterval);
50                         i++;
51                         isstart = true;
52                         isend = true;
53                         intervals.erase(intervals.begin() + i);
54                         break;
55                     }else{
56                         if(!isend){
57                             addinterval.end = intervals[i].end;
58                             intervals.insert(intervals.begin()+i, addinterval);
59                             i++;
60                             isend = true;
61                             intervals.erase(intervals.begin() + i);
62                         }
63                     }
64                 }else{
65                     intervals.erase(intervals.begin() + i);
66                 }
67             }else if(newInterval.start <= intervals[i].end){
68                 if(newInterval.end <= intervals[i].end){
69                     isstart = true;
70                     isend = true;
71                     break;
72                 }else{
73                     addinterval.start = intervals[i].start;
74                     isstart = true;
75                     intervals.erase(intervals.begin() + i);
76                 }
77             }else{
78                 i++;
79             }
80         }
81         
82         if(!isstart){
83             intervals.push_back(newInterval);
84             return intervals;
85         }
86         if(!isend){
87             addinterval.end = newInterval.end;
88             intervals.push_back(addinterval);
89             return intervals;
90         }
91         return intervals;
92     }
93 };

 

 

 

  • 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