LeetCode--Sum Root to Leaf Numbers

本文介绍了一道经典的深度优先搜索题目,旨在求解二叉树中所有从根节点到叶子节点路径数值之和。文章提供了详细的算法思路及C++实现代码。

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

临近期末考试,最近可能要刷一些前面学到的知识对应的类型题,以及会多放一些题解到博客上。

Given a binary tree containing digits from 0-9 only, each root-to-leaf path could represent a number.

An example is the root-to-leaf path 1->2->3 which represents the number 123.

Find the total sum of all root-to-leaf numbers.

For example,

    1
   / \
  2   3

The root-to-leaf path 1->2 represents the number 12.
The root-to-leaf path 1->3 represents the number 13.

Return the sum = 12 + 13 = 25.

题目的意思就是算一棵树的叶子节点对应的值的和为多少(每个叶子节点的值为其父节点对应的值乘以10加上自身的数)。

这是一道典型的深度优先搜索的题目。当根节点为空时,返回值为0,根节点不为空时可以计算根节点的值,即为作为参数传入的值乘以10加上自己的val。当根结点的左孩子和右孩子都为空时,直接返回传入的值即可,否则返回左孩子的计算值加上右孩子的计算值。(深搜过程中每一次中间的值都会作为参数传入)

代码如下:

class Solution {
public:
	int sum;
    int sumNumbers(TreeNode* root) {
        return cal(root, 0);
    }
    int cal(TreeNode* root, int sum) {
    	if(root==NULL) return 0;
    	sum = sum*10+root->val;
    	if((root->left == NULL) && (root->right == NULL)) return sum;
    	return cal(root->left,sum)+cal(root->right, sum);
	}
};



内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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