二分查找

二分查找的思想很简单,但是实现时有多种变体。

最常见的实现使用闭区间,并且使用3条件分支:

template<typename T>
int binary_search(T* a, T &key, int imin, int imax) {
  while (imin <= imax) {
    int imid = (imin + imax) / 2;
    if (a[imid] < key) {
      imin = imid + 1;
    } else if (a[imid] > key) {
      imax = imid - 1;
    } else {
      return imid;
    }
  }
  return -1;
}

对应的使用2条件分支的实现如下:

template<typename T>
int binary_search(T* a, T &key, int imin, int imax) {
  int imid;
  while (imin < imax) {
    int imid = (imin + imax) / 2;
    if (a[imid] < key) {
      imin = imid + 1;
    } else {
      imax = imid;
    }
  }
  if (imin == imax && a[imin] == key) {
    return imin;
  } else {
    return -1;
  }
}

使用3条件分支的实现可读性较高,并且一旦找到该元素就立即返回。而在2条件分支的实现中,二分查找总是要等到区间[imin,imax]为空时才结束。这样的话迭代过程会更长,但是对于大数组来说,其实迭代次数大概只是多几次而已,而每次迭代只是用2条件分支,效率反而更高。使用2条件分支还有一个优点,那就是如果数组中有多个相等的元素,它总会返回最前面的索引值。


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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