堆是和队列差不多的一种数据结构,但它有优先级,我们今天来用静态二叉树表示(通过下标控制):



#include<iostream>

#include<vector>

using namespace std;

template<class T>

struct Less {

       booloperator()(const T& L, const T& R)//仿函数

       {

              returnL > R?true : false;

       }

};

template <class T>

struct Great {

       booloperator()(const T& L, const T& R)

       {

              returnL < R?true : false;

       }

};

template<class T,class Compare>

class heap {

public:

       heap(T*a,size_t n)

       {

              v.reserve(n);//开辟空间

              for(size_t i = 0; i < n; i++)

              {

                     v.push_back(a[i]);

              }

              for(int i = (n - 2) / 2; i >=0; i--)//不能使用size_t类型,它是无符号整形,减到0之后又会从最大的开始减,用int可以跳出循环

              {

                     size_tnum = v.size();

                     adjustdown(i,num);

              }

       }

       voidadjustdown(int i,int n)

       {

              CompareC;

              intparent = i;

              intchild = i * 2 + 1;

              while(child < n)

              {

                     if(child<(n-1)&&C(v[child],v[child + 1]))

                     {

                            child++;

                     }

                     elseif(C(v[parent],v[child]))

                     {

                            swap(v[parent],v[child]);

                            parent= child;

                            child= parent * 2 - 1;//继续往下比较

                     }

                     else

                     {

                            break;

                     }

              }

       }

       voidadjustup(int i)

       {

              intchild = i;

              intparent = (i - 1) / 2;

              Compareco;

              while(parent >= 0)

              {

                     if(co(v[parent],v[child]))

                     {

                            swap(v[parent],v[child]);

                            child= parent;

                            parent= (child - 1) / 2;

                     }

                     else

                     {

                            break;

                     }

              }

       }

       voidpop()//删除

       {

              size_tn = v.size() - 1;

              swap(v[0],v[n]);

              v.pop_back();

              adjustdown(0,n-1);

       }

       voidpush(const T& x)//插入

       {

              v.push_back(x);//插入到最后一个位置

              size_tn = v.size() - 1;

              adjustup(n);//向上调整

       }

       boolempty()

       {

              returnv.empty();

       }

private:

       vector<int>v;

};

int main()

{

       inta[] = { 10,13,15,17,19,20,11,14,18,16 };

       heap<int,Great<int>> hh(a, sizeof(a) / sizeof(a[0]));//大堆

       //heap<int,Less<int>> hh(a, sizeof(a) / sizeof(a[0]));//小堆

       hh.push(25);

       hh.pop();

       return0;

}

 

 

大堆(父节点都比子节点大):


小堆(父节点都比子节点小):


  • 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