LeetCode Triangle(dp)

本文介绍了一种解决三角形矩阵中最短路径问题的方法。利用动态规划思想,通过递推公式计算从顶点到底边各点的最短路径长度。最终找到所有底边起点中最小的路径总和。

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



Given a triangle, find the minimum path sum from top to bottom. Each step you may move to adjacent numbers on the row below.

For example, given the following triangle

[
     [2],
    [3,4],
   [6,5,7],
  [4,1,8,3]
]

The minimum path sum from top to bottom is 11 (i.e., 2 + 3 + 5 + 1 = 11).

Note:
Bonus point if you are able to do this using only O(n) extra space, wheren is the total number of rows in the triangle.

题意:给出一个三角形矩阵,求从顶部到底部的最短路径

思路:动态规划,用dp(x,y)表示从(0,0)到(x,y)的最短路径,f(x,y)表示元素值,则状态转移方程为

        dp(x,y)=min{dp(x-1,y), dp(x, y -1)} + f(x,y)

代码如下:

public class Solution {
    public int minimumTotal(List<List<Integer>> triangle) 
    {
        List<List<Integer>> res = new ArrayList<List<Integer>>();
        List<Integer> tmp = new ArrayList<Integer>();
        if (triangle.size() > 0) {
            tmp.add(triangle.get(0).get(0));
            res.add(tmp);
        }
        
        for (int i = 0; i < triangle.size() - 1; i++) {
            tmp = new ArrayList<Integer>();
            for (int j = 0; j < triangle.get(i).size(); j++) {
                int t1 = res.get(i).get(j) + triangle.get(i + 1).get(j);
                int t2 = res.get(i).get(j) + triangle.get(i + 1).get(j + 1);
                if (j >= tmp.size()) tmp.add(t1);
                else {
                    int t = Math.min(t1, tmp.get(j));
                    tmp.set(j, t);
                }
                
                if (j + 1 >= tmp.size()) tmp.add(t2);
                else {
                    int t = Math.min(t2, tmp.get(j + 1));
                    tmp.set(j + 1, t);
                }
            }
            res.add(tmp);
        }
        
        int n = res.size();
        int ans = Integer.MAX_VALUE;
        for (int i = 0; i < res.get(n - 1).size(); i++) {
            ans = Math.min(ans, res.get(n - 1).get(i));
        }
        
        return ans;
    }
}

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

打赏作者

kgduu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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