插入排序算法

      这里介绍简单的插入排序算法,思路如下:

     用一个长度为N+1的数组A存储要排序的N个数组(第一个位置不用,所以要处理的只有N个数据),从第三个位置开始,逐个的把后面的数据插入到前面已经排好序的数组中,具体处理细节如下:

     1)升序排序时,如果当前要处理的位置index的值(令为key)小于前一个值,则放置他的位置前移;此时说明小的值排在前面,因为小的值往前移了,后面的自然是大的值。

     2)降序排序时,如果当前要处理的位置index的值(令为key)大于前一个值,则放置他的位置前移;此时说明大的值排在前面,因为大的值往前移了,后面的自然是小的值。

具体算法程序如下:

/**
 * 说明:该算法为插入排序算法,从第二个位置也就是索引为1的位置开始存储排序的数据(第1位置不用),大致
 * 思路如下:
 * 从当前数组的第三个位置开始,与第二值个进行比较,找到合适的位置放置它;然后再从第四个
 * 位置开始把第四个值插入到前面两个中去,保证有序,后面如是进行直到数组末尾。
 * @author xuecheng
 *
 */
public class Sort_InsertSort {


private int [] arrayA = null;
private int length = 1000 + 1;//1000个数字,第一个位置不用
@Test
public void insertSort() {
//fail("Not yet implemented");
getData();
System.out.println("insert sort begin");
long now = System.nanoTime();
doSort(arrayA);
long last = System.nanoTime() - now;
System.out.println("insert sort end, duration = " + last);
printArray(arrayA);
}


private void getData() {
arrayA = new int[length];
Random random = new Random(System.currentTimeMillis());
for (int i = 0; i < length; i++) {
arrayA[i] = random.nextInt(1000) + 1;

}

private void doSort(int array[]) {
int i = -1;
int key = -1;
for (int j = 2; j < length; j++) {
i = j - 1;
key = array[j];
/**
* 只要key 小于当前比较位置的值,则它在数组中的位置往前移动,此时属于升序排序(小的值靠前);
* 若改成">",说明大于当前比较位置的值,则它在数组中的位置往前移动,此时属于降序排序(大的值靠前);
*/
while((i > 0) && (key < array[i])) {
array[i + 1] = array[i];
i--;
}
array[i+1] = key;
}
}

private void printArray(int array[]) {
for (int i = 1; i < array.length; i++) {
System.out.print("i = " + i + ", value = " + array[i] + "\n");
}
}
}

  • 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