LeetCode-53. Maximum Subarray

Description:

这里写图片描述

Solution1 (C++):

这里写图片描述

Solution2 (C++):

这里写图片描述

算法分析:

这个题目要求的是连续序列的最大和。解法的思想非常有意思。其实我们就不断的累加nums[i],但是要注意我们不需要找到最长的子序列,只需要找到最大的和,所以首先最要紧的一个问题就是,一个集合,其子集自然有很多。但是题目解法计算了集合的和的集合不超过nums.siuze();那为什么能保证这最多nums.size()个集合的和就比剩下的(2的n次方-1-nums.size())个集合的和都大呢?
我是这样想的:
对于集合中任意一个元素,在它面前的有两条路,一条是加入之前的连续子集,另一条是独立成新的子集。那么对于这两个集合,若要判断哪个集合的和大,自然要看前一个子集的和是否大于0.如果大于0,那么第一条路产生的新子集的和大;否则,第二条路产生的新子集的和大。那么通过这种方法判断就可以过滤掉计算很多不了要的子集的和。
那么在求和过程中,不断将sum与最大值ans比较,获得最终的最大值ans就是问题的解。


后面更新,其实可以参考解法二,代码写得更直观明白。其实解法一中:sum=max(sum,o);就相当于解法二中的:curMax = curMax>0? (curMax + x):x ;

程序分析:

程序编写比较简单,略。

  • 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