LeetCode Insert Interval

本文介绍了一种区间合并算法,该算法用于在一个已排序的区间集合中插入一个新的区间,并在必要时进行合并。文章通过两个具体例子说明了算法的应用场景,并详细解释了实现该功能的四种可能情况及其对应的处理逻辑。

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

Given a set of non-overlapping intervals, insert a new interval into the intervals (merge if necessary).

You may assume that the intervals were initially sorted according to their start times.

Example 1:
Given intervals [1,3],[6,9], insert and merge [2,5] in as [1,5],[6,9].

Example 2:
Given [1,2],[3,5],[6,7],[8,10],[12,16], insert and merge [4,9] in as [1,2],[3,10],[12,16].

This is because the new interval [4,9] overlaps with [3,5],[6,7],[8,10].

题意 :给出一个有序区间段,在插入一个区间段后,求其合并后的有序区间段

思路:确切的说,有四种情况:

(1)原来为空

(2)插入的区间段小于原来的第一个区间段

(3)插入的区间段大于原来的最后一个区间段

(4)找到插入区间开始和结束位置在原来的有序区间段的索引位置,找开始位置时,如果没有找到,就以大于开始位置的索引为准。而在找结束位置时,如果没有找到, 就以小于结束位置的索引为准

代码如下:

class Solution
{
    public List<Interval> insert(List<Interval> intervals, Interval newInterval)
    {
        List<Interval> ans = new ArrayList<Interval>();
        int size = intervals.size();
        if (0 == size)
        {
            ans.add(newInterval);
            return ans;
        }

        if (newInterval.end < intervals.get(0).start)
        {
            ans.add(newInterval);
            ans.addAll(intervals);
            return ans;
        }
        else if (newInterval.start > intervals.get(size - 1).end)
        {
            ans.addAll(intervals);
            ans.add(newInterval);
            return ans;
        }

        int index1 = 0, index2 = size - 1;

        for (int i = 0; i < size; i++)
        {
            Interval cur = intervals.get(i);
            if (newInterval.start >= cur.start && newInterval.start <= cur.end)
            {
                index1 = i;
            }
            else if (i != size - 1)
            {
                Interval next = intervals.get(i + 1);
                if (newInterval.start > cur.end && newInterval.start < next.start)
                {
                    index1 = i + 1;
                }
            }

            if (newInterval.end >= cur.start && newInterval.end <= cur.end)
            {
                index2 = i;
            }
            else if (i != size - 1)
            {

                Interval next = intervals.get(i + 1);
                if (newInterval.end > cur.end && newInterval.end < next.start)
                {
                    index2 = i;
                }
            }
        }

        for (int i = 0; i < index1; i++)
        {
            Interval cur = intervals.get(i);
            ans.add(cur);
        }

        Interval tmp = new Interval();
        tmp.start = Math.min(intervals.get(index1).start, newInterval.start);
        tmp.end = Math.max(intervals.get(index2).end, newInterval.end);
        ans.add(tmp);

        for (int i = index2 + 1; i < size; i ++)
        {
            Interval cur = intervals.get(i);
            ans.add(cur);
        }
        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