二进制和位运算

数组中只出现一次的数字

一个整型数组里除了两个数字之外,其他的数字都出现了两次。请写程序找出这两个只出现一次的数字,要求时间复杂度是O(n),空间复杂度是O(1)。

任何一个数字异或它自己都是0。如果我们从头到尾异或数组中的每一个数字,那么最终的结果刚好是那个只出现一次的数字,因为那些成对出现两次的数字全部在异或中抵消了。

#include <iostream>

unsigned int FindFirstBitIs1( int num )
{
    int indexBit = 0;
    while ( ( ( num & 1 ) == 0 ) && ( indexBit < 8 * sizeof( int ) ) )
    {
        num = num >> 1;
        indexBit++;
    }
    return indexBit;
}

bool IsBit1( int num, const unsigned int indexBit )
{
    num = num >> indexBit;
    return ( num & 1);
}

void FindNumberAppearOnce( int *data, int length, int &data1, int &data2 )
{
    if ( data == NULL || length < 2 )
    {
        return;
    }
    int orResult = 0;
    for ( int i = 0; i < length; ++i )
    {
        orResult = orResult ^ data[ i ];
    }

    unsigned int firstBitIs1 = FindFirstBitIs1( orResult );
    data1 = data2 = 0;
    for ( int i = 0; i < length; ++i )
    {
        if ( IsBit1( data[ i ], firstBitIs1 ) )
        {
            data1 ^= data[ i ];
        }
        else
        {
            data2 ^= data[ i ];
        }
    }
}

int main()
{
    int data[] = {2, 4, 3, 6, 3, 2, 5, 5};
    int data1, data2;

    FindNumberAppearOnce( data, 8, data1, data2 );

    std::cout << "Only appear once num is " << data1 << " and " << data2 << std::endl;
    return 0;
}
View Code

 数值的整数次方

实现函数 double Power(double base, int exponent),求base的exponent次方

 1 #include <iostream>
 2 
 3 bool g_Invalid = false;
 4 
 5 bool Equal( double arg1, double arg2 )
 6 {
 7     if ( (arg1 - arg2 >= -0.0000001 ) && ( arg1 - arg2 <= 0.0000001 ) )
 8     {
 9         return true;
10     }
11     return false;
12 }
13 
14 double PowerWithUnsignedExponent( double base, unsigned int exponent )
15 {
16     double result = 1.0;
17     double tmpRet = base;
18     while ( exponent )
19     {
20         if ( exponent & 1 )
21         {
22             result *= tmpRet;
23         }
24         tmpRet *= tmpRet;
25         exponent >>= 1;
26     }
27     return result;
28 }
29 
30 double Power( double base, int exponent )
31 {
32     if ( Equal( base, 0.0 ) && exponent < 0 )
33     {
34         g_Invalid = true;
35         return 0.0;
36     }
37 
38     double result = PowerWithUnsignedExponent( base, (unsigned int)( exponent > 0 ? exponent : -exponent ) );
39     if ( exponent < 0 )
40     {
41         result = 1.0 / result;
42     }
43     return result;
44 }
45 
46 int main()
47 {
48     double ret1 = Power( 2.0, 10);
49     double ret2 = Power( 2.0, -2);
50     double ret3 = Power( 2.0, 0);
51     double ret4 = Power( 0.0, -1);
52 
53     return 0;
54 }
View Code

 如果输入的指数exponent为32,我们的目标是求出一个数字的32次方,如果我们已经知道了它的16次方,那么只要在16次方的基础上再平方一次就可以了。而16次方是8次方的平方。这样依次类推,我们求32次方只需要做5次乘法:先求平方,在平方的基础上求4次方,在4次方的基础上求8次方,在8次方的基础上求16次方,最后在16次方的基础上求32次方。

转载于:https://www.cnblogs.com/leealvin/p/3171733.html

  • 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。 目标检测任务可为两个关键的子任务,目标定位和目标类。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为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。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 中进行类,并根据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: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,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