[LeetCode - 桶排序] 41. First Missing Positive

本文介绍了一种在O(n)时间内找到未出现在无序整数数组中的最小正整数的方法,采用桶排序并利用输入数组本身进行原地操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 问题

Given an unsorted integer array, find the first missing positive integer.
For example,
Given [1,2,0] return 3,
and [3,4,-1,1] return 2.
Your algorithm should run in O(n) time and uses constant space.

2 分析

题目给了一个无序的整数数组,求:不在此数组中且最小的整数,并对时间复杂度和空间复杂度做出了要求。求解此问题的一个直觉是排序,如果能够将所给数据进行排序,就可以很方便的找出不在此数组中的最小整数。但是题目要求时间复杂度为 O(n) ,那么使用”比较模型”的排序算法不可取,只能使用线性时间排序算法。
观察发现:

  • 不在数组中的最小正整数只受数组中正整数的影响,无论数组中负数和0如何分布,都不影响所求的结果。因此只需要对数组中的正整数进行排序。
  • 在正整数的排序过程中,如果数组中存在重复数字,无论如何重复,也不会影响未出现的最小正整数,因此,排序过程中可以忽略重复。
  • 不在数组中的最小正整数的最小值为1,最大值为 n+1

基于以上两点观察,可以使用线性时间排序算法中的桶排序。题目要求空间复杂度为常数,因此只能在输入数组上进行操作,不能分配新的空间。假设数组长度为 n , 那么将整个数组的n个位置看作为n个桶,每个桶分别对应正整数 1,2,3,...,n。遍历整个数组,执行如下操作(设i表示当前正在访问的数组下标,a[i]表示当前正在访问的数组值):

  1. 如果a[i] < 0,则跳过此位置,即执行i = i + 1
  2. 如果a[i] > n, 执行i = i + 1
  3. a[i]与对应的桶中的值a[a[i]进行比较,如果二者相等,执行i = i + 1
  4. 如果以上几点均不满足,将a[i]与对应的桶中的值a[a[i]]交换。交换后重复执行以上步骤,注意成功交换后,仍然访问下标i

在完成排序后,再次遍历数组,第一个数组值与下标不相等的位置就是所求的数字。如果整个数组的值都与各自下标相等,那么所求数字为 n+1

3 代码

public class Solution {
    public int firstMissingPositive(int[] nums) {
        int len = nums.length;
        int i = 0;
        while(i < len){
            if(nums[i] <= len && nums[i] >= 1 && nums[i] != nums[nums[i]-1]){
                int temp = nums[nums[i]-1];
                nums[nums[i]-1] = nums[i];
                nums[i] = temp;
            }else{
                i++;
            }
        }

        for(int id = 0; id < len; id++){
            if(nums[id] != id+1){
                return id+1;
            }
        }
        return len+1;
    }
}
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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