[leetcode] 73.Set Matrix Zeroes

题目:
Given a m x n matrix, if an element is 0, set its entire row and column to 0. Do it in place.
题意:
给一个m x n的矩阵,如果某个元素是0,那么就将这个元素所在的行与这个元素所在的列都设为0.
思路:
这道题的一般思路是扫描所有元素,使用一个一维数组line[m]存储哪些行需要设为0,使用一个一维数组row[n]存储哪些列需要设为0.其空间复杂度是O(m+n).如果元素是A[i][j]=0,那么令line[i] = 1(代表第i行需要设为0),令row[j] = 1(代表第j列需要设为0)。
我希望可以降低空间复杂度,因此用了一个long long来使用位操作来存储哪一行需要设为0(能够保存64行的信息,就是说m<= 64才可满足条件),同样也用一个long long来存储哪一列需要设为0(也需要满足n<=64)。代码如下:

class Solution {
public:
    void setZeroes(vector<vector<int>>& matrix) {
        if(matrix.size() == 0)return;
        long long row = 0xffffffffffffffff;
        long long column = 0xffffffffffffffff;
        int rows = matrix.size();
        int columns = matrix[0].size();
        long long one = 1;
        for(int i = 0; i < rows; i++)
            for(int j = 0; j < columns; j++){
                row &= (matrix[i][j] == 0)?(~(one<<i)):(0xffffffffffffffff);
                column &= (matrix[i][j] == 0)?(~(one<<j)):(0xffffffffffffffff);
            }
        for(int i = 0; i < rows; i++)
            for(int j = 0; j < columns; j++){

                if((row & (one<<i)) == 0){
                    for(int k = 0; k < columns; k++)
                        matrix[i][k] = 0;
                }
                if((column & (one<<j)) == 0){
                    for(int k = 0; k < rows; k++)
                        matrix[k][j] = 0;
                }
                row |= (one<<i);
                column |= (one<<j);
            }
    }
};

但是很遗憾,上面使用long long的方法无法通过所有的例子,有两个例子的行数或者列数超过了64位,所以这个方法行不通。
继续该思路,使用bitset,可以通过,代码如下,使用的switch没用if是为了提高速度。:

class Solution {
public:
    void setZeroes(vector<vector<int>>& matrix) {
        if(matrix.size() == 0)return;
        int line = matrix.size();
        int row =  matrix[0].size();
        bitset<256> lines;
        bitset<256> rows;
        for(int i = 0; i < line; i++)
            for(int j = 0; j < row; j++){
                lines[i] = ((matrix[i][j] == 0 || lines[i]) ? 1 : 0);
                rows[j] = ((matrix[i][j] == 0 || rows[j]) ? 1 : 0);
            }
        for(int i = 0; i < line; i++)
            for(int j = 0; j < row; j++){
                 switch(lines[i]){
                    case 1:{
                         for(int k = 0; k < row; k++)
                            matrix[i][k] = 0;
                        lines[i] = 0;
                        break;
                    }
                    case 0 :{
                        break;
                    }
                }
                switch(rows[j]){
                    case 1:{
                        for(int k = 0; k < line; k++)
                            matrix[k][j] = 0;
                        rows[j] = 0;
                        break;
                    }
                    case 0:{
                        break;
                    }
                }
            }
    }
};

下面的方法是完全不需要额外的空间,思路是用第一行存储各个列是否需要变为0;用第一列存储各个行是否需要变为0.比如matrix[5][4],matrix[0][0]-matrix[0][3]存储着四个列是否需要改为0,matrix[0][0]-matrix[4][0],存储各个行的信息。需要注意的是matrix[0][0],如果第一行有个元素(不是matrix[0][0])是0,那么第一行需要改为0,这个时候matrix[0][0]需要改为0,以代表第一行需要改为0,但是如果第一列没有元素是0,那么就会由于matrix[0][0] = 0而导致第一列也都改为了0.代码中用l(line的缩写)代表第一行是否需要改为0,用r代表第一列是否需要改为0.

class Solution {
public:
    void setZeroes(vector<vector<int>>& matrix) {
        if (matrix.size() == 0)return;
        int line = matrix.size();
        int row = matrix[0].size();
        bool l = false, r = false;
        for (int i = 0; i < line; i++)
            for (int j = 0; j < row; j++){
                l = (i == 0 && matrix[i][j] == 0 || l) ? true : false;
                r = (j == 0 && matrix[i][j] == 0 || r) ? true : false;
                matrix[i][0] = (matrix[i][j] == 0) ? 0 : matrix[i][0];
                matrix[0][j] = (matrix[i][j] == 0) ? 0 : matrix[0][j];
            }
        for (int i = 1; i < line; i++){
            switch (matrix[i][0]){
                case 0:{
                    for (int k = 0; k < row; k++)
                        matrix[i][k] = 0;
                    break;
                }
                default:{
                    break;
                }
            }
        }
        for (int j = 1; j < row; j++){
            switch (matrix[0][j]){
                case 0:{
                    for (int k = 0; k < line; k++)
                        matrix[k][j] = 0;
                    break;
                }
                default:{
                    break;
                }
            }
        }
        if (l){
            for (int k = 0; k < row; k++)
                matrix[0][k] = 0;
        }
        if (r){
            for (int k = 0; k < line; k++)
                matrix[k][0] = 0;
        }
    }
};
  • 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