leetCode系列----Unique Paths II

这道题题目的意思是找图中的路径的数量。

一开始想着把这个图构造成一棵树(二叉树),这样看叶子节点有多少个是终点就可以判断有多少条路径了。

于是做了一个结构体:

struct baseData {

            int x;   //横向偏移

            int y;   //纵向偏移

            baseData* bottom;  //下方链接

            baseData* right;   //右方链接

        };

还有一个 vector<baseData*> toDo; 用来存储没有遍历过的节点

接下来就处理toDo,直至其中不包含任何元素。处理过程如下:

  baseData* head = new baseData();

        head->x = 0;

        head->y = 0;

        toDo.push_back(head);

        while (toDo.size()>0) {

            //取出最上面的一个指针

            baseData* top = toDo[toDo.size()-1];

            toDo.pop_back();

            //如果是终点,则进行下一次循环

            if (top->x == XNUMBER-1 && top->y == YNUMBER-1) {

                PATHCOUNT++;

                continue;

            }

            //右侧一个是0

            if (top->y<XNUMBER-1 && obstacleGrid[top->x][top->y+1]==0) {

                baseData* right = new baseData();

                right->x = top->x;

                right->y = top->y+1;

                toDo.push_back(right);

                top->right = right;

            }else{

                top->right = NULL;

            }

            //下侧一个是0

            if (top->x<YNUMBER-1 && obstacleGrid[top->x+1][top->y]==0) {

                baseData* bottom = new baseData();

                bottom->x = top->x+1;

                bottom->y = top->y;

                toDo.push_back(bottom);

                top->bottom = bottom;

            }else{

                top->bottom = NULL;

            }

            //释放访问过的存储空间

            //delete top;

        }

        return PATHCOUNT;

刚开始没有释放处理过的节点的内存,结果除了 堆栈溢出的问题。于是做了delete top的处理。

但是又报了一个,超时的问题。这一下子,这样的做法就完全行不通了。分析了一下,应该是频繁的new 和 delete消耗了大量的时间,尤其是当数据量比较大时尤为明显。

于是换了一个思路,既然只要一个数目。那么终点的路径数目取决于其左侧和上侧的路径的数目之和,这样就减少很多时间和上的开销。

实现如下:

 int XNUMBER = obstacleGrid.size();

        int YNUMBER = obstacleGrid[0].size();

        vector<vector<int>> grid(obstacleGrid.size(),vector<int>(obstacleGrid[0].size()));

        //计算第一个

        grid[0][0] = obstacleGrid[0][0] == 0 ? 1:0;

        //计算第一行

        for (int i=1; i<YNUMBER; i++) {

            if (obstacleGrid[0][i]==0) {

                grid[0][i] = grid[0][i-1];

            }else{

                grid[0][i] = 0;

            }

        }

        //计算第一列

        for (int j=1;j<XNUMBER ; j++) {

            if (obstacleGrid[j][0]==0) {

                grid[j][0] = grid[j-1][0];

            }else{

                grid[j][0] = 0;

            }

        }

        //计算其他

        for (int i=1; i<XNUMBER; i++) {

            for (int j=1; j<YNUMBER; j++) {

                if (obstacleGrid[i][j]==0) {

                    grid[i][j] = grid[i-1][j]+grid[i][j-1];

                }else{

                    grid[i][j]=0;

                }

            }

        }

        return grid[XNUMBER-1][YNUMBER-1];


  • 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
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
LeetCode-Editor是一种在线编码工具,它提供了一个用户友好的界面编写和运行代码。在使用LeetCode-Editor时,有时候会出现乱码的问题。 乱码的原因可能是由于编码格式不兼容或者编码错误导致的。在这种情况下,我们可以尝试以下几种解决方法: 1. 检查文件编码格式:首先,我们可以检查所编辑的文件的编码格式。通常来说,常用的编码格式有UTF-8和ASCII等。我们可以将编码格式更改为正确的格式。在LeetCode-Editor中,可以通过界面设置或编辑器设置来更改编码格式。 2. 使用正确的字符集:如果乱码是由于使用了不同的字符集导致的,我们可以尝试更改使用正确的字符集。常见的字符集如Unicode或者UTF-8等。在LeetCode-Editor中,可以在编辑器中选择正确的字符集。 3. 使用合适的编辑器:有时候,乱码问题可能与LeetCode-Editor自身相关。我们可以尝试使用其他编码工具,如Text Editor、Sublime Text或者IDE,看是否能够解决乱码问题。 4. 查找特殊字符:如果乱码问题只出现在某些特殊字符上,我们可以尝试找到并替换这些字符。通过仔细检查代码,我们可以找到导致乱码的特定字符,并进行修正或替换。 总之,解决LeetCode-Editor乱码问题的方法有很多。根据具体情况,我们可以尝试更改文件编码格式、使用正确的字符集、更换编辑器或者查找并替换特殊字符等方法来解决这个问题。
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