124. Binary Tree Maximum Path Sum

本文探讨了如何在二叉树中寻找具有最大路径和的序列。通过递归方法实现,确保路径连续且不出现分叉,同时使用全局变量记录最大路径和。

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

实验题目:

Given a binary tree, find the maximum path sum.

For this problem, a path is defined as any sequence of nodes from some starting node to any node in the tree along the parent-child connections. The path must contain at least one node and does not need to go through the root.

解题思路:

树结构显然用递归来解,解题关键:

1、对于每一层递归,只有包含此层树根节点的值才可以返回到上层。否则路径将不连续。

2、返回的值最多为根节点加上左右子树中的一个返回值,而不能加上两个返回值。否则路径将分叉。

在这两个前提下有个需要注意的问题,最上层返回的值并不一定是满足要求的最大值,

因为最大值对应的路径不一定包含root的值,可能存在于某个子树上。

因此解决方案为设置全局变量maxSum,在递归过程中不断更新最大值。

实验代码:

/**
 * Definition for binary tree
 * struct TreeNode {
 *     int val;
 *     TreeNode *left;
 *     TreeNode *right;
 *     TreeNode(int x) : val(x), left(NULL), right(NULL) {}
 * };
 */
class Solution {
public:
    int maxSum;
    Solution()
    {
        maxSum = INT_MIN;
    }
    int maxPathSum(TreeNode* root)
    {
        Helper(root);
        return maxSum;
    }
    int Helper(TreeNode *root) {
        if(!root)
            return INT_MIN;
        else
        {
            int left = Helper(root->left);
            int right = Helper(root->right);
            if(root->val >= 0)
            {//allways include root
                if(left >= 0 && right >= 0)
                    maxSum = max(maxSum, root->val+left+right);
                else if(left >= 0 && right < 0)
                    maxSum = max(maxSum, root->val+left);
                else if(left < 0 && right >= 0)
                    maxSum = max(maxSum, root->val+right);
                else
                    maxSum = max(maxSum, root->val);
            }
            else
            {
                if(left >= 0 && right >= 0)
                    maxSum = max(maxSum, max(root->val+left+right, max(left, right)));
                else if(left >= 0 && right < 0)
                    maxSum = max(maxSum, left);
                else if(left < 0 && right >= 0)
                    maxSum = max(maxSum, right);
                else
                    maxSum = max(maxSum, max(root->val, max(left, right)));
            }
            //return only one path, do not add left and right at the same time
            return max(root->val+max(0, left), root->val+max(0, right));
        }
    }
};

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