DS第四章,串的模式匹配

“串”只是线性表的一种特殊的应用,指的就是线性存储的一组数据
(通常教科书里面提到的串默认是“字符串”,也就是说这组数据是 字符 )

串有一些特殊的操作集:

  • 求串的长度,Length(S)
  • 比两串是否相等,StrCompare(S,T)
  • 两串相接,Concat(&T,S1,S2)
  • 求子串,StrAssign(&T,chars)
  • 插入子串,StrInsert(&S,pos,len)
  • 匹配子串,Index(S,T,pos)
  • 删除子串,StrDelete(&S,pos,len)
    其中匹配子串是稍微有点难度的且比较有趣的操作,现在来讨论一下串的模式匹配

目标

在这里插入图片描述
总结来说,模式匹配就是:给定一个文本,给定一个模式,我们要通过这个Patternmatch这个函数来返回pattern在这个string里面出现的第一个位置。

简单实现

  1. strstr在这里插入图片描述
    解释:
    typedef char* Position // 把这个char*重命名一下
    #define NotFound NULL//同理
    优点:不管懂不懂C语言的人都能知道是什么意思…

①匹配得上时,p指针指向出现simple的那个s的位置,也意味着是simple example这个子串的头指针。所以printf去打印的时候,就直接把s后面的整个打印出来,输出结果就是答案D
②匹配不上的情况,这个p就是个空指针,null 。输出结果如图在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
如果 match[j] 的值不是满足子序列条件的“最大”i,会出现什么问题?
——降低匹配效率,时间复杂度增加.

在这里插入图片描述
将p回溯到match[p-1]+1的位置(在此期间s是不动的)
// 即 图中绿色模式匹配的下一个位置,然后s和p继续向前走下去

Details:当p等于0的时候,会得到一个段错误,说明这pattern从第一个字符开始就和string不匹配,所以p是不用动的,让s前移一格就OK了//即所给的else s++

两个指针一起向前飞,任意一方飞到自己串的末尾时,这个匹配就结束了~(while)在这里插入图片描述
KMP算法的 时间复杂度在这里插入图片描述
讨论:原始的 KMP 函数返回的是模式在文本中的首字母下标,这使我们不得不改变结果输出的格式 。如果我们希望在调用了Position p = KMP(string, pattern);之后,仍然用printf("%s\n", p); 输出,该怎样修改 KMP 函数?
——修改返回类型 typedef char * position
修改返回值 return (p==m) ?string +(s-m):Not found

上面出现了BuildMatch用来获得match的值
现在来讨论一下BuildMatch的实现
先分析一下~
在这里插入图片描述
在这里插入图片描述
BuildMatch完整表示方法:
在这里插入图片描述
它的时间复杂度O(m)
在这里插入图片描述

本章重点是掌握KMP算法的匹配过程哦!!
稍微有点绕,多用演草纸写一下

### 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 2
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