Word Search

和数独一样的思路,brute-force,分四个方向,但是因为我是先判断相等再递归调用,判断结束条件的时候应该是位置在最后一个字符n-1,而不是n。(就这个-1调了一个小时TT。。)

class Solution {
public:
    bool dfs(vector<vector<char>> &board, string word, int p, int r, int c, vector<vector<bool> > &visited) {
        if (p==word.size()-1) {
            return true;
        }
        if (c+1<board[0].size() && !visited[r][c+1]) {
            if (board[r][c+1]==word[p+1]) {
                visited[r][c+1]=true;
                if (dfs(board, word, p+1, r, c+1, visited)) return true;
            }
        }
        if (c-1>=0 && !visited[r][c-1]) {
            if (board[r][c-1]==word[p+1]) {
                visited[r][c-1]=true;
                if (dfs(board, word, p+1, r, c-1, visited)) return true;
            }
        }
        if (r+1<board.size() && !visited[r+1][c]) {
            if (board[r+1][c]==word[p+1]) {
                visited[r+1][c]=true;
                if (dfs(board, word, p+1, r+1, c, visited)) return true;
            }
        }
        if (r-1>=0 && !visited[r-1][c]) {
            if (board[r-1][c]==word[p+1]) {
                visited[r-1][c]=true;
                if (dfs(board, word, p+1, r-1, c, visited)) return true;
            }
        }
        visited[r][c]=false;
        return false;
    }
    bool exist(vector<vector<char> > &board, string word) {
        vector<vector<bool> > visited(board.size(), vector<bool>(board[0].size(),false));
        for (int i=0; i<board.size(); i++) {
            for (int j=0; j<board[0].size(); j++) {
                if (board[i][j]==word[0]) {
                    visited[i][j]=true;
                    if (dfs(board, word, 0, i, j, visited)) return true;
                }
            }
        }
        return false;
    }
};


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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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