链表生成并插入某一个节点

最新推荐文章于 2024-08-23 23:19:13 发布

ture_dream

最新推荐文章于 2024-08-23 23:19:13 发布

阅读量734

点赞数

CC 4.0 BY-SA版权

分类专栏： C++编程

本文链接：https://blog.youkuaiyun.com/ture_dream/article/details/52785302

C++编程专栏收录该内容

34 篇文章

订阅专栏

<span style="font-size:18px;">/*链表生成并插入某一个节点*/
#include<iostream>
using namespace std;
struct student
{
	long number;
	float score;
	student * next;
};
student * head;
student * create()
{
	student * ps;
	student * pEnd;
	ps = new student;
	cin >> ps->number >> ps->score;
	head = NULL;
	pEnd = ps;
	while (ps->number != 0)
	{
		if (head == NULL)
			head = ps;
		else
			pEnd->next = ps;

		pEnd = ps;
		ps = new student;
		cin >> ps->number >> ps->score;
	}
	pEnd->next = NULL;
	delete ps;
	return(head);

}
void showlist(student * head)
{
	cout << "now the iterms of list are \n";
	while (head)
	{
		cout << head->number << "," << head->score << endl;
		head = head->next;

	}
}

void Delete(student * head, long number)
{
	student * p;
	if (!head)
	{
		cout << "\nList null!\n";
		return;                 //表示未作删除 

	}
	if (head->number == number)    //该死，怪不得不能删除链表后面指针if (head->number = number)//yao删除的节点在链首
	{
		p = head;
		head = head->next;
		delete p;
		cout << number << "the head of the listr have been deleted \n";
		return;
	}

	for (student * pguard = head; pguard->next; pguard = pguard->next)
	{
		if (pguard->next->number == number)  //确定下一个节点就是要删除的
		{
			p = pguard->next;  //待删
			pguard->next = p->next;
			delete p;
			cout << number << "have been deleted \n";
			return;
		}
	}
	cout << number << "not found!\n";

}


/*假设建设调用create（）链表是，结点是按number值由小到大顺序排列，0时结束。则插入结点函数insert()如下*/
void insert(student * head, student * stud)
{
	if (head == NULL)  //空链表时将结点置在head指针下即可
	{
		head = stud;   //表示链首
		stud->next = NULL;//表示链尾
		return;
	}
	if (head->number > stud->number)  //节点插入的位置在链首
	{
		stud->next = head;  //指向链首结点
		head = stud;     //插入结点为链首
		return;
	}


	student * pguard = head;  //从头开始向后遍历
	while (pguard->next&& pguard->next->number < stud->number)    //pguard->next为1表示未到表尾
		pguard = pguard->next;

		stud->next = pguard->next;
		pguard->next = stud;
}
void main()
{ 
	student ps;
	ps.number = 36;
	ps.score = 3.8;
	head = create();
	insert(head, &ps);

	showlist(head);   //先调用create（）构造链表。后调用showlist显示
	

}</span>

<span style="font-size:18px;">
假设建设调用create（）链表是，结点是按number值由小到大顺序排列，0时结束。
则输入：</span><span style="font-size:18px;"> </span>
<span style="font-size:18px;"></span><p><span style="font-size:18px;"></span><pre name="code" class="cpp"><p><span style="font-size:18px;"> 15 4.1</span><pre name="code" class="cpp"><pre name="code" class="cpp"><span style="font-size:18px;"> 23 3.2</span><span style="font-size:18px;">
</span><pre name="code" class="cpp"><pre name="code" class="cpp"><span style="font-size:18px;"> 24 3.5</span>

<pre name="code" class="cpp"><span style="font-size:18px;"> <span style="font-size:18px;">54 3.4</span></span><span style="font-size:18px;"> </span>

66 4.0 0 0.0 (0时结束）

输出为：

<span style="font-size:18px;"><span style="font-size:18px;"></span></span><pre name="code" class="cpp"><span style="font-size:18px;"> 15，4.1</span><pre name="code" class="cpp"><pre name="code" class="cpp"><span style="font-size:18px;"> 23，3.2</span><span style="font-size:18px;">
</span><pre name="code" class="cpp"><pre name="code" class="cpp"><span style="font-size:18px;"> 24，3.5
 36, 3.8
</span>

<pre name="code" class="cpp"><span style="font-size:18px;"> <span style="font-size:18px;">54，3.4</span></span><span style="font-size:18px;"> </span>

66，4.0

kkkkkkkkkkkkkkkkkkkkkkkkkkkkkkk

kkkkkkkkkkkkkkkk

kkkkkkkkk

kkkkkkkk

kkkkk

最新看篇关于多尺度下快速目标检测的论文，是UCSD大学的SVCL实验室和IBM研究院一起研究的结果。其代码已经开源到GitHub

跑mscnn ;软硬件需求：

linux 测试需要4G以上显存，训练12G以上

cuda 7.5

cudnn v3(v4不行）

matlab 2014a

这篇文章主要解决多尺度同时存在时的检索问题，设计了MSCNN网络，提出了两点创新和几点技巧：

（1）针对多尺度问题：

类似于FCNT跟踪方法，该文章也是观察到了卷积网络不同层得到的特征特点的不同，对不同层的特征采用不同的利用方式。比如conv-3的低网络层，有更小的感受野，可以进行小目标的检测；而高层如conv-5，对于大目标的检测更加准确。对于不同的输出层设计不同尺度的目标检测器，完成多尺度下的检测问题。

注：　在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。点击打开链接

（2）针对速度问题：

使用特征的上采样代替输入图像的上采样步骤。设计一个去卷积层，来增加特征图的分辨率，使得小目标依然可以被检测出来。这里使用了特征图的deconvolutional layer（去卷积层）来代替input图像的上采样，可以大大减少内存占用，提高速度。

作者说：去卷积层一直用于分隔和边缘检测，我们第一次用它加速和提高检测率。

文章的网络结构类似RCNN，分为proposal提取和目标检测，两个部分独立进行。

proposal子网络和目标检测子网络结构图分别如下：

注：中间有色部分可以看成CNN trunk(cnn 主干线），一些层延伸了分支，分支由单检测层构成，通过分支的proposal判断为最终proposal。

技巧一：Conv4-3上面有一个缓冲卷积层，因为这一次更靠近主干线的底层（接近输入图），更影响梯度导致学习过程不稳定，缓冲卷积层能防止检测分支的梯度直接反向传播回主干线层。

实验细节：

数据扩展：在KITTI数据集中，大多数目标很小，候选集差别很大，而最大目标尺寸过小，故把原始图像随机缩放成多个规模。

精调：图像背景区域消耗计算内存，故在1000*600的大图里裁剪448*448的含目标图片，是12G显存够用

训练技巧： booststrapping 和multi-task loss 使训练在早期迭代过程不稳定，采用两步走，

第一步：随机采样，以学习率0.00005迭代10000次，生成模型

第二部：用生成的模型初始化第二层，自举，以初始学习率0.00005迭代，每迭代一万次学习率下降十倍，一共迭代 25000次。

测试评估： KITTI数据集包含三类：car pedestrian cyclist，和三个水平评估：easy moderate hard。一共7518测试图（无ground truth标签），一共7481图片用于train/validation，采用脱离实验，将7481图片分为train和validation集（用来评估）。