[LeetCode] Substring with Concatenation of All Words 解题报告

本文介绍了一种使用双map统计字符串出现次数的方法,用于查找主字符串中由子串列表构成的所有合法起始位置。通过逐个检查子串的有效性和数量匹配情况,确保每个单词恰好出现一次且不包含额外字符。

You are given a string,  S, and a list of words,  L, that are all of the same length. Find all starting indices of substring(s) in S that is a concatenation of each word in L exactly once and without any intervening characters.
For example, given:
S"barfoothefoobarman"
L["foo", "bar"]
You should return the indices:  [0,9].
(order does not matter).

» Solve this problem

[解题思路]
没想出什么太好的办法,猜测这题应该是一道实现题。用两个map来统计字符串的出现次数,然后从左往右扫描主字符串。

[Code]

1:    vector<int> findSubstring(string S, vector<string> &L) {  
2: // Start typing your C/C++ solution below
3: // DO NOT write int main() function
4: map<string, int> expectCount;
5: map<string, int> realCount;
6: for(int i =0; i< L.size(); i++)
7: {
8: expectCount[L.at(i)]++;
9: }
10: vector<int> result;
11: int row = L.size();
12: if(row ==0) return result;
13: int len = L[0].size();
14: for(int i =0; i<
(int)S.size() - row*len+1; i++)
15: {
16: realCount.clear();
17: int j =0;
18: for(; j< row; j++)
19: {
20: string sub = S.substr(i+j*len, len);
21: if(expectCount.find(sub) != expectCount.end())
22: {
23: realCount[sub]++;
24: }
25: else
26: break;
27: if(realCount[sub] > expectCount[sub])
28: {
29: break;
30: }
31: }
32: if(j == row)
33: result.push_back(i);
34: }
35: return result;
36: }

[注意]
Line 14 红字部分。如果S.size()是unsigned int,如果不先转换为int的话,计算结果会被promote成unsigned int。 比如 (unsigned int) 1 – (int)2, 最后的结果不是-1,而是4294967295。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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