算法概论:从 Fibonacci 到图解算法

5星 · 超过95%的资源 需积分: 9 98 下载量 72 浏览量 更新于2024-07-23 1 收藏 1.95MB PDF 举报
"算法概论[英文原版].pdf" 本书《算法概论》是一本深入探讨算法理论与实践的教材,由S.Dasgupta、C.H.Papadimitriou和U.V.Vazirani三位知名学者共同编写。书中涵盖了算法设计的基本原则、分析方法以及实际应用。以下是对书中部分章节内容的详细阐述: 首先,作者在序言中介绍了算法的重要性,以及算法书籍和斐波那契数列在算法历史中的地位,还简述了大O表示法的概念,这是一种用于描述算法时间复杂度的数学符号。 第一章“算法与数字”讲解了基础的算术运算以及模运算,接着探讨了素数检测算法,这对于密码学中的公钥加密技术至关重要。此外,还涉及到了密码学本身,如对称加密和非对称加密,以及哈希函数的使用,如在构建无冲突的哈希表中所起的作用。 第二章“分治算法”以乘法算法为例引入,讨论了递归关系和分治策略的应用,如归并排序算法,它通过将大问题分解成小问题来解决。此外,还讲解了如何高效地计算矩阵乘法,以及快速傅里叶变换(FFT)在处理大规模数据时的效率优势。 第三章“图的分解”探讨了图在计算机科学中的广泛应用,包括为什么使用图来建模问题。深度优先搜索(DFS)在无向图和有向图中的实现,以及如何找到强连通组件。这部分内容对于理解图的结构和遍历至关重要。 第四章“图中的路径”主要关注图中节点之间的距离计算。介绍了广度优先搜索(BFS)和迪杰斯特拉算法(Dijkstra's algorithm)在求解最短路径问题上的应用。同时,讨论了在存在负权边的情况下寻找最短路径的挑战,以及优先队列在实现这些算法中的关键作用。 每一章末尾都附有练习题,旨在帮助读者巩固所学知识,并提升解决问题的能力。此书不仅适合计算机科学的学生,也适用于任何希望深入理解算法原理和技术的读者。通过学习这本书,读者可以掌握设计和分析算法的基础技巧,为解决实际问题打下坚实的基础。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R