seniusen

未归档

Ubuntu 常用软件(1) BN(1) C++(1) C++ 文件操作(1) C/C++ 学习(1) LeetCode(26) LeetCode 1(1) LeetCode 100(1) LeetCode 109(1) LeetCode 138(1) LeetCode 141(1) LeetCode 142(1) LeetCode 240(1) LeetCode 4(1) LeetCode 445(1) LeetCode 700(1) LeetCode 两数相加(1) LeetCode 找不同(1) LeetCode 搜索二维矩阵(1) LeetCode (1) Numpy 数组(1) Python 3 标准库概述(1) Python 3 面向对象(1) Python 基础语法(1) SSH(1) STL 库 vector(1) TensorFlow C++ 接口(1) Vim 命令(1) 人生杂谈(4) 删除链表倒数第 N 个结点(1) 剑指 Offer(3) 变量作用域(1) 合并 2 个有序链表(1) 周期信号的傅里叶级数表示(1) 最小二乘(1) 机器学习(1) 理财(1) 线性代数(1) 论文笔记(1) 链表(1) 链表中间结点(1) 链表删除结点(1) 键盘输入(1)

/ 注册

全部文章 / 未归档（共104篇）

LeetCode 47——全排列 II

1. 题目 2. 解答在 LeetCode 46——全排列中我们已经知道，全排列其实就是先确定某一个位置的元素，然后余下就是一个子问题。在那个问题中，数据没有重复，所以数据中的任意元素都可以放在最后一个位置。但是，如果数据有重复的话，重复的数据都放在最后则是一样的结果，我们需要进行一...

2019-05-29

0 810

剑指 Offer——最小的 K 个数

1. 题目 2. 解答 2.1. 方法一——大顶堆参考堆和堆排序以及堆的应用，我们将数组的前 K 个位置当作一个大顶堆。首先建堆，也即对堆中 [0, (K-2)/2] 的节点从上往下进行堆化。第 K/2 个节点若有子节点，其左子节点位置应该为 2 * K/2 + 1 = K+1...

2019-05-28

0 800

LeetCode 46——全排列

1. 题目 2. 解答给定一个序列，序列中的任意一个数字都可以作为全排列的最后一位。然后，其余位置元素的确定便是剩余元素的一个全排列，也就是一个子问题。例子中 [1, 2, 3] 的全排列，最后一位可以是 1 或者 2 或者 3。如果最后一位是 3，前两位便是 [1, 2] 的全排列。...

2019-05-27

0 958

LeetCode 103——二叉树的锯齿形层次遍历

1. 题目 2. 解答定义两个栈 s_l_r、s_r_l 分别负责从左到右和从右到左遍历某一层的节点，用标志变量 flag 来控制具体情况，根节点所在层 flag=1 表示从左到右遍历，每隔一层改变一次遍历方向。用栈 s_l_r 从左到右遍历当前层节点时，按照先左子节点再右子节点的顺序...

2019-05-26

0 608

剑指 Offer——数组中的逆序对

1. 题目 2. 解答借助于归并排序的分治思想，在每次合并的时候统计逆序对。因为要合并的两个数组都是有序的，如果左半部分数组当前值大于右半部分数组当前值，那么左半部分数组当前值右边的数就都大于右半部分数组当前值，这些数据对也就构成了逆序数对。比如上图中 [3, 8, 9, 11] ...

2019-05-23

0 1796

二维数组和指针

1. 指针是变量的地址 #include <iostream> using namespace std; int main() { int a = 3; int * p = &a; cout << a << endl; /...

2019-05-22

0 515

Non-local Neural Networks

1. 摘要卷积和循环神经网络中的操作都是一次处理一个局部邻域，在这篇文章中，作者提出了一个非局部的操作来作为捕获远程依赖的通用模块。受计算机视觉中经典的非局部均值方法启发，我们的非局部操作计算某一位置的响应为所有位置特征的加权和。而且，这个模块可以插入到许多计算机视觉网络架构...

2019-05-16

0 541

RAM: Residual Attention Module for Single Image Super-Resolution

1. 摘要注意力机制是深度神经网络的一个设计趋势，其在各种计算机视觉任务中都表现突出。但是，应用到图像超分辨领域的注意力模型大都没有考虑超分辨和其它高层计算机视觉问题的天然不同。作者提出了一个新的注意力模型，由针对 SR 问题优化的新的通道和空间注意力机制以及将这两者结合起来...

2019-05-15

0 851

CSAR——Channel-wise and Spatial Feature Modulation Network for Single Image Super-Resolution

1. 摘要 CNN 中的特征包含着不同类型的信息，它们对图像重建的贡献也不一样。然而，现在的大多数 CNN 模型却缺少对不同信息的辨别能力，因此也就限制了模型的表示容量。另一方面，随着网络的加深，来自前面层的长期信息很容易在后面的层被削弱甚至消失，这显然不利于图像的超分辨。 ...

2019-05-13

0 681

CBAM: Convolutional Block Attention Module

1. 摘要作者提出了一个简单但有效的注意力模块 CBAM，给定一个中间特征图，我们沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整。由于 CBAM 是一个轻量级的通用模块，它可以无缝地集成到任何 CNN 架构中，额外开销忽略不计，并且可以与...

2019-05-13

0 1161