fast

基于候选区域的目标检测器 1. 滑动窗口检测器 根据滑动窗口从图像中剪切图像块-->将剪切的图像块warp成固定大小-->cnn网络提取特征-->SVM和regressor进行分类和回归定位 选择性搜索 2. R-CNN R-CNN 利用候选区域方法创建了约 2000 个 ROI --> 将每个ROI区域warp成固定大小的图像--> CNN网络提取特征- -> SVM和regressor进行分类和回归定位； 3. Fast R-CNN Fast R-CNN 使用 特征提取器（CNN） 先提取整个图像的特征（ 而不是从头开始对每个图像块提取多次 ）--> 在特征图上，利用候选区域方法得到ROI区域，并在对应的特征图上裁剪以得到特征图块--> 将这些特征图块warp成固定大小--> 输入CNN网络提取特征--> svm/regressor 进行分类和回归; 4. Faster R-CNN Faster R-CNN 采用与 Fast R-CNN 相同的设计，只是它用 内部深层网络 代替了 候选区域方法 。新的候选区域网络（RPN）在生成 ROI 时效率更高，并且以每幅图像 10 毫秒的速度运行。 参考：https://baijiahao.baidu.com/s?id=1598999301741831102&wfr=spider&for=pc 来源： https://www

列表的sort()和sorted()方法 sort()与sorted()的不同在于，sort是在原位重新排列列表，而sorted()是产生一个新的列表。 sort 是应用在 list 上的方法，sorted 可以对所有可迭代的对象进行排序操作。 注：sorted不是列表方法。 1. sort ( ) 方法 sort函数的原型 　　sort ( key = None , reverse = False ) 　　key 可指定一些规则，可以是k = int , k = len , k = function函数 　　reverse 默认值是 False 　　可以给它赋值成 True ，那就是反向排序 　　简单的列表排序 l = [ 1 , 7 , 4 , 9 , 2 , 3 , 5 , 0 , 8 , 6 ] l . sort ( ) print ( l ) 结果： [ 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 ] #类表中嵌套其他数据类型，如字典 # a = [{'id':1,'name':'小明'}，{'id':3,'name':'小红'}，{'id':2,'name':'老王'}] # 根据字典的key值id进行降序排序并输出排序后的列表。 def function ( date ) : print ( date ) print ( date [

我们讲解的题目都是leetcode上经典的题目，而且我们的解答一定也是最简单最经典的 。今天带来两道关于链表的经典题。本期所用的链表的数据结构均如下： public class ListNode { int val ; ListNode next ; ListNode ( int x ) { val = x ; } } 143. 重排链表 题意：给定一个单链表 L：L0→L1→…→Ln-1→Ln ， 将其重新排列后变为： L0→Ln→L1→Ln-1→L2→Ln-2→… 你不能只是单纯的改变节点内部的值，而是需要实际的进行节点交换。如图： 这道题是leetcode经典的绕来绕去的题目，我们来看一下粉丝投稿的代码是怎么样的： ListNode tailNode = null ; public void reorderList ( ListNode head ) { if ( head == null ) return ; ListNode firstNode = head ; ListNode lastNode = head ; while ( lastNode . next != tailNode ) lastNode = lastNode . next ; tailNode = lastNode ; if ( firstNode == lastNode ) { firstNode

给定一个链表，判断链表中是否有环。 为了表示给定链表中的环，我们使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。 如果 pos 是 -1，则在该链表中没有环。 示例 1： 输入：head = [3,2,0,-4], pos = 1 输出：true 解释：链表中有一个环，其尾部连接到第二个节点。 示例 2： 输入：head = [1,2], pos = 0 输出：true 解释：链表中有一个环，其尾部连接到第一个节点。 示例 3： 输入：head = [1], pos = -1 输出：false 解释：链表中没有环。 进阶： 你能用 O(1)（即，常量）内存解决此问题吗？ 来源：力扣（LeetCode） 链接：https://leetcode-cn.com/problems/linked-list-cycle 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。 想的比较简单，使用Object对象作为键保存链表中的节点，然后查找节点在map中是否存在，如果存在链表中就存在环 /** * Definition for singly-linked list. * class ListNode { * int val; * ListNode next; * ListNode(int x) { * val = x; * next = null; * }

题目链接 牛客网 题目描述 输入一个链表，输出该链表中倒数第k个结点。 解题思路 快慢指针，相隔k个ListNode，fast==null时，返回slow public class Solution { public ListNode FindKthToTail ( ListNode head , int k ) { ListNode slow = head , fast = slow ; for ( int i = 0 ; i < k ; i ++ ) { if ( fast == null ) return null ; fast = fast . next ; } while ( fast != null ) { slow = slow . next ; fast = fast . next ; } return slow ; } } 来源： CSDN 作者： Melo丶 链接： https://blog.csdn.net/weixin_38611497/article/details/104147920

  Fast R-CNN是对R-CNN、SPPnet的一个改进，主要是提高了训练和测试的速度，也提高了测试的精度。下面讲一讲这篇文章怎么实现速度和精度的提升的。 1.介绍 1.1 R-CNN网络的缺点 多阶段的训练。R-CNN的训练有三大步：用log损失微调CNN得到特征提取器；使用候选框的特征图训练SVMs分类器，这里抛弃的softmax分类器；训练bounding-box regressor精修候选框。 训练消耗大量的时间和空间。在训练SVMs和bounding-box regressor时候，需要保存每个候选框的特征图，这个特征图要几百G的空间。 目标检测很慢。测试的时候，是先提取候选框，再分别进行特征提取，这个过程有大量的冗余计算。 1.2 Fast R-CNN的工作 更高的mAP。 一次性训练参数（single-stage training），用multi-task loss实现一次性训练。 训练中可以更新所有的网络参数。 不需要额外保存特征图。 2. Fast R-CNN的结构、训练   Fast-RCNN的输入是：完整的图片、候选框集合；输出是K+1类别的概率分布、K个类别的refined参数。过程如下：   1）把原始图片送入CNN进行特征提取，得到特征图。   2）对于每个候选框对应的特征子图，RoI Pooling从中提取出固定长度的特征向量。   3

import tensorflow as tf from tensorflow . python . framework import graph_util from tensorflow . python import pywrap_tensorflow def freeze_graph ( input_checkpoint , output_graph ) : #指定输出的节点名称,该节点名称必须是原模型中存在的节点。直接用最后输出的节点，可以在tensorboard中查找到，tensorboard只能在linux中使用 output_node_names = "SCORE/resnet_v1_101_5/cls_prob/cls_prob/scores,SCORE/resnet_v1_101_5/bbox_pred/BiasAdd/bbox_pred/scores,SCORE/resnet_v1_101_5/cls_pred/cls_pred/scores" saver = tf . train . import_meta_graph ( input_checkpoint + '.meta' , clear_devices = True ) #通过 import_meta_graph 导入模型中的图----1 graph = tf . get_default_graph (

给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回 null。 为了表示给定链表中的环，我们使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。 如果 pos 是 -1，则在该链表中没有环。 说明：不允许修改给定的链表。 示例 1： 输入：head = [3,2,0,-4], pos = 1 输出：tail connects to node index 1 解释：链表中有一个环，其尾部连接到第二个节点。 示例 2： 输入：head = [1,2], pos = 0 输出：tail connects to node index 0 解释：链表中有一个环，其尾部连接到第一个节点。 示例 3： 输入：head = [1], pos = -1 输出：no cycle 解释：链表中没有环。 进阶： 你是否可以不用额外空间解决此题？ 解析：本题在 上一题 的基础上要求返回环的入口，而上一题的代码仅能够证明是否存在环。 以下是不怎么严谨的数学证明。 设快指针移动步数为f，慢指针移动步数为s 设链表从头节点到链表入口的距离为a，链表环的长度为b，则整个链表的长度为a+b 首先快指针每次移动两步，慢指针每次移动一步. f = 2 * s 当发生上一题的情况，即快指针与慢指针相遇时，必然发生了“套圈”现象。即快指针比满指针多绕环移动了n圈 f = s + n * b

题目链接： 点击这里 不带空的头结点。 思路：快指针一次前进两步，慢指针一次前进一步，当快指针到达链表尽头时，慢指针就处于链表的中间位置。 当链表的长度是奇数时，slow 恰巧停在中点位置；如果长度是偶数，slow 最终的位置是中间偏右。 /** * Definition for singly-linked list. * struct ListNode { * int val; * ListNode *next; * ListNode(int x) : val(x), next(NULL) {} * }; */ class Solution { public : ListNode * middleNode ( ListNode * head ) { ListNode * fast = head , * slow = head ; while ( fast != NULL && fast - > next != NULL ) { fast = fast - > next - > next ; slow = slow - > next ; } return slow ; } } ; 来源： CSDN 作者： 菜是原罪QAQ 链接： https://blog.csdn.net/qq_42815188/article/details/104099708

给一个链表，若其中包含环，请找出该链表的环的入口结点，否则，输出null。 假设x为环前面的路程（黑色路程），a为环入口到相遇点的路程（蓝色路程，假设顺时针走）， c为环的长度（蓝色+橙色路程） 当快慢指针相遇的时候： 此时慢指针走的路程为Sslow = x + m * c + a 快指针走的路程为Sfast = x + n * c + a 2 Sslow = Sfast 2 * ( x + m*c + a ) = (x + n *c + a) 从而可以推导出： x = (n - 2 * m )*c - a = (n - 2 *m -1 )*c + c - a 即环前面的路程 = 数个环的长度（为可能为0） + c - a 什么是c - a？这是相遇点后，环后面部分的路程。（橙色路程） 所以，我们可以让一个指针从起点A开始走，让一个指针从相遇点B开始继续往后走， 2个指针速度一样，那么，当从原点的指针走到环入口点的时候（此时刚好走了x） 从相遇点开始走的那个指针也一定刚好到达环入口点。 所以2者会相遇，且恰好相遇在环的入口点。 最后，判断是否有环，且找环的算法复杂度为： 时间复杂度：O(n) 空间复杂度：O(1) /*function ListNode(x){ this.val = x; this.next = null; }*/ function EntryNodeOfLoop