算法概论第五周作业

 import java.io.*;      
import java.util.*;    
public class GraphReverse {    
   private int vnum;    
   private int anum;    
   private boolean visited[];    
   private List<ArrayList<Integer>> graphListS;    
   private List<ArrayList<Integer>> graphListF;    
   public GraphReverse(int vnum,int anum,List<ArrayList<Integer>> graphListS,List<ArrayList<Integer>> graphListF){    
       this.vnum=vnum;  
       this.anum=anum;  
       this.graphListS=graphListS;      
       this.graphListF=graphListF;   
       visited=new boolean[vnum];  
   }    
   public static void main(String[] args) {    
    String path="d:/tinyDG.txt";    
    try{    
        Scanner in=new Scanner(new File(path));    
        List<ArrayList<Integer>> graphListS=new ArrayList<ArrayList<Integer>>();  
        List<ArrayList<Integer>> graphListF=new ArrayList<ArrayList<Integer>>(); 
        int vnum=in.nextInt();    
        int anum=in.nextInt();    
         for(int i=0;i<vnum;i++){    
             graphListS.add(new ArrayList<Integer>());    
             graphListF.add(new ArrayList<Integer>());    
         }    
           
        for(int i=0;i<anum;i++){      
            int u=in.nextInt();    
            int v=in.nextInt();    
            if(!graphListS.get(u).contains(v)){ 
                graphListS.get(u).add(v);    
            }    
                 
            if(!graphListF.get(v).contains(u)){  
                graphListF.get(v).add(u);    
            }       
        }    
            
        GraphReverse graph1=new GraphReverse(vnum, anum, graphListS,null); 
        System.out.println("有向图的邻接表的结果是:");    
        graph1.ff(vnum/2+1,graphListS);    
             
        GraphReverse graph2=new GraphReverse(vnum, anum, null,graphListF);
        System.out.println("有向图的反向图的邻接表结果是:");    
        graph2.ff(1,graphListF);           
    }catch (Exception e) {    
         e.printStackTrace();    
    }    
  }    
   private  void ff(int v,List<ArrayList<Integer>> graphList){    
         Queue<Integer> que = new LinkedList<Integer>();       
         que.offer(v);    
        while (!que.isEmpty()) {       
          v = que.poll();      
          System.out.print(v+":");       
          visited[v] = true;       
          for (int i = 0; i <graphList.get(v).size(); i++) {      
           int k=graphList.get(v).get(i);     
           System.out.print(k+" ");    
           if (!visited[k]){        
              que.offer(k);    
              visited[k] = true;       
           }       
         }     
          System.out.println();    
       }       
   }    
}    


有向图的邻接表的结果是:
7:9 6 
9:10 11 
6:0 8 4 9 
10:12 
11:12 4 
0:1 5 
8:6 
4:2 3 
12:9 
1:
5:4 
2:3 0 
3:2 5 
有向图的反向图的邻接表结果是:
1:0 
0:6 2 
6:8 7 
2:4 3 
8:6 
7:
4:11 5 6 
3:2 4 
11:9 
5:3 0 
9:12 7 6 
12:11 10 
10:9 



  • 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