- 博客(15)
- 收藏
- 关注
RSS订阅原创 【面试】每日力扣 Day 7 —— 动态规划 1
递归方法通过自顶向下的方式解决问题，而记忆化搜索可以避免重复计算，从而提高效率。这个递归方法虽然直观，但由于时间复杂度较高，不适合大规模问题。对于大规模问题，可以考虑使用动态规划或迭代方法来优化。结尾的最长严格递增子序列的长度。通过迭代计算每个位置的最长递增子序列长度，最终得到结果。使用动态规划的思想，但通过优化空间复杂度，只使用了两个变量来存储中间结果。通过迭代计算每个金额的最少硬币个数，最终得到结果。递归方法的思路是，每次爬楼梯时，可以选择爬。阶的方法数，然后通过迭代计算到达第。阶的方法数等于到达第。
2024-09-17 18:46:09
631
原创 【面试】每日力扣题 Day5——二分法 1
这种方法利用了矩阵的有序性，从右上角开始搜索。如果当前元素小于目标值，则向下移动。函数：用于在有序列表中查找插入位置。它返回一个位置，使得插入元素后列表仍然保持有序。如果元素已经存在于列表中，返回它的左侧位置。由于矩阵的每一行是递增的，且每行的第一个数大于前一行的最后一个数，如果把矩阵每一行拼在一起，我们可以得到一个递增数组。这种方法是最直接的，通过遍历整个数组来查找目标值。虽然简单，但时间复杂度为 O(n)，不符合题目要求。：对每一行进行二分查找，查找目标值是否在当前行中。：由于左右元素不相同，因此。
2024-09-16 22:08:24
810
原创 【面试】每日力扣 Day4
给你一个字符串 s，由若干单词组成，单词前后用一些空格字符隔开。返回字符串中最后一个单词的长度。单词是指仅由字母组成、不包含任何空格字符的最大子字符串。示例 1：输入：s = “Hello World”输出：5解释：最后一个单词是“World”，长度为 5。
2024-09-15 21:01:08
796
原创 【面试】每日力扣 Day3
给你一个整数数组 nums，返回 数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积。给定两个整数数组 gas 和 cost ，如果你可以按顺序绕环路行驶一周，则返回出发时加油站的编号，否则返回 -1。// 由于 2 是集合中唯一的数字，getRandom 总是返回 2。你无法返回 2 号加油站，因为返程需要消耗 4 升汽油，但是你的油箱只有 3 升汽油。输入: gas = [1,2,3,4,5], cost = [3,4,5,1,2]
2024-09-08 17:39:40
942
原创 【面试】每日力扣 Day2
方法1（哈希表）通过统计每个元素的出现次数来找到多数元素，适用于需要快速实现的情况，但空间复杂度较高。方法2（排序）通过排序后直接返回中间元素来找到多数元素，适用于数组较小且可以接受排序操作的情况。方法3（Boyer-Moore 投票算法）通过计数器来跟踪候选多数元素，时间和空间复杂度都较低，适用于大多数情况。在实际应用中，方法3（Boyer-Moore 投票算法）通常是最优选择，因为它在时间和空间复杂度上都表现优异。
2024-09-07 17:27:51
731
原创 【面试】每日力扣 Day1
nums 的其余元素与 nums 的大小不重要。解释：函数应返回新长度 length = 7, 并且原数组的前七个元素被修改为 0, 0, 1, 1, 2, 3, 3。输入：nums1 = [1,2,3,0,0,0], m = 3, nums2 = [2,5,6], n = 3。解释：你的函数应该返回 k = 5，并且 nums 中的前五个元素为 0,0,1,3,4。输入：nums = [0,1,2,2,3,0,4,2], val = 2。输入：nums = [0,0,1,1,1,2,2,3,3,4]
2024-09-07 13:47:01
831
原创 【论文阅读】PointVector: A Vector Representation In Point Cloud Analysis
在点云分析中，基于点的方法近年来发展迅速。这些方法最近专注于简洁的MLP结构，如PointNeXt，它已经展示出与卷积和Transformer结构的竞争力。然而，标准的MLP在有效提取局部特征方面存在限制。为了解决这个限制，我们提出了一个向量导向的点集抽象，可以通过高维向量聚合邻近特征。为了便于网络优化，我们构建了一个从标量到向量的转换，使用基于3D向量旋转的独立角度。最后，我们开发了一个遵循PointNeXt结构的PointVector模型。
2023-11-20 21:14:45
390
原创 【论文阅读】 Training Noise-Robust Deep Neural Networks via Meta-Learning
问题背景：标签噪声可能会显著降低深度神经网络的性能。为了训练噪声鲁棒的深度神经网络，损失纠正（LC）方法被引入。LC方法假设噪声标签是由一个未知的噪声转移矩阵T从干净（真实）标签中损坏的。因此，LC方法试图准确地学习这个矩阵T。方法创新：作者提出了一种新的损失纠正方法，称为元损失纠正（MLC），它可以通过元学习框架直接从数据中学习噪声转移矩阵T。MLC 不依赖于先验知识或假设，而是利用一个小的干净验证集来指导T的优化。实验结果。
2023-10-21 21:55:33
12
原创 论文阅读【Exploring Self-attention for Image Recognition】
self-attention可以作为图像识别模型的基本组成部分，本文考虑两种形式：pairwise self-attention和patchwise self-attention。
2023-06-27 18:09:31
363
原创 论文阅读【MM-PCQA: Multi-Modal Learning for No-reference Point Cloud Quality Assessment】
之前的工作，使用单模态信息进行PCQA从二维投影中提取，投影图片包含丰富的纹理和语义信息但高度依赖视点；从三维点云中提取，三维点云对几何畸变更为敏感，对视点不变性。本文提出了一种新的多模式无参考点云质量评估(NR-PCQA)度量将点云分成子模型来表示局部几何失真（基于点），将点云渲染成二维图像投影进行纹理特征提取（基于图像），最后采用对称跨模态注意融合多模态质量感知信息。
2023-06-27 10:08:38
589
原创 论文阅读【Inferring Point Cloud via Graph Similarity】
本文首先通过重采样，获得关键点，从而得到点云骨架，其次构建局部图，然后计算颜色梯度，并将其聚合，最后通过相似度池化得到最后的质量分数。本文首次采用图信号处理技术来获取点云质量，提出了颜色梯度矩阵（零阶矩，一阶矩，二阶矩）。
2023-06-25 18:19:12
166
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人