重建二叉树

输入某二叉树的前序遍历和中序遍历的结果,请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列{1,2,4,7,3,5,6,8}和中序遍历序列{4,7,2,1,5,3,8,6},则重建二叉树并返回。

说起来一直以来并不是不会由前序遍历、中序遍历推出二叉树,但是一直以来都是死推,并没有从中找什么规律。今天看到这个题了,才发现其中的规律。前序的一个节点一定是根节点,然后从中序序列中找这个根节点,这个节点左边的节点一定是根的左子树的节点,右边的节点一定是根的右子树上的节点。而且这个序列正好又是左子树的中序序列,计算这个序列的个数n,从前序序列中去掉第一个点,往后数n个节点,便是根的左子树的前序序列,结合左子树的前序遍历和中序遍历又可以往下推。递归下去便可得到整个二叉树。结合上边的例子来看就是从前序序列可以知道1是根节点,从中序序列中找到节点1,1的左边便是根的左子树的中序序列vin1{4,7,2},1的右边便是根的右子树的中序序列vin2{5,3,8,6};这时候可以数出1的左边有3个节点,从前序序列中除第一个节点外数出3个节点{2,4,7},那么这3个节点组成的序列就是根的左子树的前序序列pre1{2,4,7},剩下的节点组成的序列为根的右子树的前序序列pre2{3,5,6,8}。得到左右子树的前序序列和中序序列后重复的进行这个过程就好了。

/**
 * Definition for binary tree
 * struct TreeNode {
 *     int val;
 *     TreeNode *left;
 *     TreeNode *right;
 *     TreeNode(int x) : val(x), left(NULL), right(NULL) {}
 * };
 */
class Solution {
public:
    TreeNode* reConstructBinaryTree(vector<int> pre,vector<int> vin) {
        if(pre.size() == 0)
            return NULL;
        TreeNode *pnode, *noderight, *nodeleft;
        vector<int> pre1;
        vector<int> vin1;
        vector<int> pre2;
        vector<int> vin2;
        pnode = (TreeNode *)malloc( sizeof(TreeNode));
        int len = pre.size(), i = 0, j = 0;
        int tmp = pre.at(0);
        pnode->val = tmp;
        pnode->right = NULL;
        pnode->left = NULL;
        for(i = 0; i < len; i++){
            if(vin[i] == tmp)
                break;
            else
                vin1.push_back(vin[i]) ;
        }
        for(j = 1; j < i + 1; j++)
            pre1.push_back(pre[j]);
        for(i = i + 1; i < len; i++)
            vin2.push_back(vin[i]);
        for(; j < len; j++)
            pre2.push_back(pre[j]);
        nodeleft = reConstructBinaryTree(pre1,vin1);
        noderight = reConstructBinaryTree(pre2,vin2);
        pnode->left = nodeleft;
        pnode->right = noderight;
        return pnode;
    }
};
数据集介绍:多类别动物目标检测数据集 一、基础信息 数据集名称:多类别动物目标检测数据集 图片数量: - 训练集:6,860张图片 - 验证集:1,960张图片 - 测试集:980张图片 总计:9,800张含动态场景的动物图像 分类类别: Alpaca(羊驼)、Camel(骆驼)、Fox(狐狸)、Lion(狮子)、Mouse(鼠类)、Ostrich(鸵鸟)、Pig(猪)、Rabbit(兔子)、Rhinoceros(犀牛)、Shark(鲨鱼)、Sheep(绵羊)、Snake(蛇)、Whale(鲸鱼) 标注格式: YOLO格式标注,包含目标检测所需的归一化坐标及类别索引,适用于YOLOv5/v7/v8等系列模型训练。 数据特性: 覆盖航拍、地面视角等多种拍摄角度,包含动态行为捕捉及群体/单体目标场景。 二、适用场景 野生动物监测系统: 支持构建无人机/红外相机AI识别系统,用于自然保护区动物种群追踪与生态研究。 智慧农业管理: 适用于畜牧养殖场动物行为分析、数量统计及健康监测等自动化管理场景。 生物多样性研究: 为陆地/海洋生物分布研究提供标注数据支撑,助力濒危物种保护项目。 教育科研应用: 可作为计算机视觉课程实践素材,支持目标检测、迁移学习等AI教学实验。 三、数据集优势 跨物种覆盖全面: 包含13类陆生/水生动物,涵盖家畜、野生动物及濒危物种,支持复杂场景下的模型泛化训练。 动态场景丰富: 捕捉动物运动、群体互动等真实行为模式,提升模型对非静态目标的检测鲁棒性。 标注体系规范: 严格遵循YOLO标注标准,提供精确的边界框定位,支持即插即用的模型训练流程。 多场景适配性: 数据来源涵盖航拍影像、地面监控等多维度视角,适用于农业、生态保护、科研等跨领域应用。 类别平衡优化: 通过分层抽样保证各类别数据分布合理性,避免长尾效应影响模型性能。
数据集介绍:陆生动物多场景目标检测数据集 一、基础信息 数据集名称:陆生动物多场景目标检测数据集 数据规模: - 训练集:9,134张图片 - 验证集:1,529张图片 - 测试集:1,519张图片 分类类别: - 家畜类:Cattle(牛)、Horse(马)、Sheep(羊) - 宠物类:Cat(猫)、Dog(狗) - 野生动物类:Bear(熊)、Deer(鹿)、Elephant(大象)、Monkey(猴子) - 禽类:Chicken(鸡) 标注格式: YOLO格式标注,包含目标边界框坐标和10类动物标签,支持多目标检测场景 数据特性: 涵盖俯拍视角、户外自然场景、牧场环境等多角度拍摄数据 二、适用场景 农业智能化管理: 支持开发牲畜数量统计、行为分析系统,适用于现代化牧场管理 野生动物保护监测: 可用于构建自然保护区动物识别系统,支持生物多样性研究 智能安防系统: 训练农场入侵检测模型,识别熊等危险野生动物 宠物智能硬件: 为宠物智能项圈等设备提供多动物识别训练数据 教育科研应用: 适用于动物行为学研究和计算机视觉教学实验 三、数据集优势 物种覆盖全面: 包含10类高价值陆生动物,覆盖畜牧、宠物、野生动物三大场景需求 标注质量优异: YOLO格式标注严格遵循标准规范,支持YOLOv5/v7/v8等主流检测框架直接训练 场景多样性突出: 包含航拍视角、近距离特写、群体活动等多种拍摄角度和场景 大规模训练保障: 超12,000张标注图片满足深度神经网络训练需求 现实应用适配性: 特别包含动物遮挡、群体聚集等现实场景样本,提升模型部署效果
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