数据结构与算法之详解数组和链表

数组的基本特性

数组是一种常用的数据结构,他是在内存中开辟出一串内存空间来保存数据,对他的数据的访问可以直接通过下标来完成。

但是由于数组的每一个元素的内存地址是明确的,所以数组里添加或者删除元素,通常伴随着之后的元素的整体前移或者后移。例如,将数组的第0位从数组删除,要将后面的每一位都往前移到一位。

而且数组是在创建的时候就已经确定了大小的,之后如果要扩容,必须要在内存中重新找到新容量大小的连续内存地址,将原来的数据复制到新的内存里去,也有较高的成本。

而链表就是用于解决这些缺点的数据结构。

链表的基本特性

链表的元素在内存空间里面是离散的,他们的元素顺序是通过上一个结点去保存指向下一个结点的地址,如此来形成一个动态的集合。

我们来看一个基于Java语言的简单链表实现:

public class SimpleNode<T> {
    public T value;
    public SimpleNode<T> next;
}

是不是很意外?实际上这就是链表的最简单的实现了。如果在对象里面添加

public SimpleNode<T> prep;

字段,这就成了双向链表了。

链表好处是能够在添加和删除数据的时候,可以只在添加处对节点修改prep和next属性,就能够达到目的,不用去修改过多的节点。

数组和链表的比较

数组链表
内存占用相对小相对大,有额外的内存开销
访问指定下标的元素直接就能访问到o(1)的时间复杂度要从第一个结点往后寻找,时间复杂度o(n)
往指定下标添加元素o(n)的时间复杂度,添加在数组的首位耗时很长o(n)的时间复杂度,往数组中间添加需要先找到那个结点才可以做后续操作
往指定下标删除元素基本同上基本同上
  • 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