1. 题目 2. 解答 2.1. 方法一——大顶堆 参考 堆和堆排序 以及 堆的应用，我们将数组的前 K 个位置当作一个大顶堆。 首先建堆，也即对堆中 [0, (K-2)/2] 的节点从上往下进行堆化。第 K/2 个节点若有子节点，其左子节点位置应该为 2 * K/2 + 1 = K+1，而我们堆中的最大位置为 K-1，显然第 K/2 个节点是第一个叶子节点，不用堆化。 建完堆之后，我们顺序访问原数组 [k, n-1] 位置的元素，如果当前元素小于堆顶元素也就是位置为 0 的元素，那么删除堆顶元素并将当前元素插入堆中。 最后，堆中的 K 个元素即为所求。 class Solu...

1. 题目 2. 解答 给定一个序列，序列中的任意一个数字都可以作为全排列的最后一位。然后，其余位置元素的确定便是剩余元素的一个全排列，也就是一个子问题。 例子中 [1, 2, 3] 的全排列，最后一位可以是 1 或者 2 或者 3。如果最后一位是 3，前两位便是 [1, 2] 的全排列。 我们用递归来实现，变量 k 一开始为序列的长度，每次求解子问题的时候减一。递归终止条件为 k=1，一个元素的全排列只有它自己。 class Solution { public: vector<vector<int>> result; vect...

1. 题目 2. 解答 定义两个栈 s_l_r、s_r_l 分别负责从左到右和从右到左遍历某一层的节点，用标志变量 flag 来控制具体情况，根节点所在层 flag=1 表示从左到右遍历，每隔一层改变一次遍历方向。 用栈 s_l_r 从左到右遍历当前层节点时，按照先左子节点再右子节点的顺序将这一层节点的子节点依次放入栈 s_r_l 中。 用栈 s_r_l 从右到左遍历当前层节点时，按照先右子节点再左子节点的顺序将这一层节点的子节点依次放入栈 s_l_r 中。 /** * Definition for a binary tree node. * struct TreeNode { ...

1. 题目 2. 解答 借助于归并排序的分治思想，在每次合并的时候统计逆序对。因为要合并的两个数组都是有序的，如果左半部分数组当前值大于右半部分数组当前值，那么左半部分数组当前值右边的数就都大于右半部分数组当前值，这些数据对也就构成了逆序数对。 比如上图中 [3, 8, 9, 11] 和 [1, 2, 5, 6] 合并的时候，发现 3>1，那么 (3, 1)、(8, 1)、(9, 1) 和 (11, 1) 就构成了 4 个逆序数对，逆序对数加 4。 下面的代码中定义了一个 result 来记录逆序对数，由于逆序对的总数可能很大，所以每次增加其值后要进行一个除余操作。 c...

1. 指针是变量的地址 #include <iostream> using namespace std; int main() { int a = 3; int * p = &a; cout << a << endl; // 3 cout << *p << endl; // 3 return 0; } 如上面这段程序所示，通过取地址符 &，指针 p 获得了变量 a 的地址，那么解引用符 * 就可以从 p 中得到变量 a 的值。 也就是说，p=&a 和 ...

1. 摘要 卷积和循环神经网络中的操作都是一次处理一个局部邻域，在这篇文章中，作者提出了一个非局部的操作来作为捕获远程依赖的通用模块。 受计算机视觉中经典的非局部均值方法启发，我们的非局部操作计算某一位置的响应为所有位置特征的加权和。而且，这个模块可以插入到许多计算机视觉网络架构中去。 2. 介绍 在深度神经网络中，捕获远程依赖非常重要。卷积神经网络依靠大的感知野来对远程依赖建模，这是通过重复叠加卷积块来实现的。但同时，它也有一些限制。首先，它在计算上效率低下。其次，它会导致需要仔细解决的优化难题。最后，这些挑战使得多跳依赖性建模非常困难，例如，当需要在远程位置之间...

1. 摘要 注意力机制是深度神经网络的一个设计趋势，其在各种计算机视觉任务中都表现突出。但是，应用到图像超分辨领域的注意力模型大都没有考虑超分辨和其它高层计算机视觉问题的天然不同。 作者提出了一个新的注意力模型，由针对 SR 问题优化的新的通道和空间注意力机制以及将这两者结合起来的融合机制组成。基于此，作者设计了一个残差注意力模块（RAM）以及用来超分辨的 SRRAM 网络。 2. 介绍 通常，大多数基于 CNN 来进行图像超分辨的方法在内部同等地处理所有类型的信息，这可能无法有效地区分内容的详细特征（例如低频和高频信息）。换句话说，网络选择性地使用特征的能力有限。...

1. 摘要 CNN 中的特征包含着不同类型的信息，它们对图像重建的贡献也不一样。然而，现在的大多数 CNN 模型却缺少对不同信息的辨别能力，因此也就限制了模型的表示容量。 另一方面，随着网络的加深，来自前面层的长期信息很容易在后面的层被削弱甚至消失，这显然不利于图像的超分辨。 作者提出了一个通道和空间特征调制（CSFM）网络，其中一系列特征调制记忆（FMM）模块级联在一起来将低分辨率特征转化为高信息量的特征。而在每个 FMM 内部，则集成了许多通道和空间注意力残差块（CSAR）以及一个用来保留长期信息的门控融合节点（GF）。 2. 网络结构 2.1. C...

1. 摘要 作者提出了一个简单但有效的注意力模块 CBAM，给定一个中间特征图，我们沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整。 由于 CBAM 是一个轻量级的通用模块，它可以无缝地集成到任何 CNN 架构中，额外开销忽略不计，并且可以与基本 CNN 一起进行端到端的训练。 在不同的分类和检测数据集上，将 CBAM 集成到不同的模型中后，模型的表现都有了一致的提升，展示了其广泛的可应用性。 2. 介绍 为了提升 CNN 模型的表现，最近的研究主要集中在三个重要的方面：深度、宽度和基数（cardinality）。R...

1. 摘要 在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。 为了解决上述问题，作者提出了一个深度残差通道注意力网络（RCAN）。特别地，作者设计了一个残差中的残差（RIR）结构来构造深层网络，每个 RIR 结构由数个残差组（RG）以及长跳跃连接（LSC）组成，每个 RG 则包含一些残差块和短跳跃连接（SSC）。 RIR 结构允许丰富的低频信息通过多个跳跃连接直接进行传播，使主网络专注于学习高频信息。此外，我们还提出了一种通道注意力机制（CA），通过...

1. 摘要 BN 是一个广泛应用的用于快速稳定地训练深度神经网络的技术，但是我们对其有效性的真正原因仍然所知甚少。 输入分布的稳定性和 BN 的成功之间关系很小，BN 对训练过程更根本的影响是：它让优化更加平滑。这种平滑让梯度更加可预测更加稳定，从而加速训练。 2. BN 和 internal covariate shift 在原始论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中，作者认为 BN 减小了所谓的 intern...

1. 摘要 传统的 L 层神经网络只有 L 个连接，DenseNet 的结构则有 L(L+1)/2 个连接，每一层都和前面的所有层进行连接，所以称之为密集连接的网络。 针对每一层网络，其前面所有层的特征图被当作它的输入，这一层的输出则作为其后面所有层的输入。 DenseNet 有许多优点：消除了梯度消失问题、加强了特征传播、鼓励特征复用并且大大减少了参数的数量。 2. 介绍 随着卷积神经网络变得越来越深，一个新的问题出现了：输入信息或者梯度在很多层之间传递的过程中会渐渐消失并且被洗掉。很多最近的工作都在尝试解决这个问题，它们都有一个共同的特点：在前面的层...

持续了将近两个月的 2019 春季实习生招聘总算是告了一个段落，虽说去年入学时便已知道找工作就在眼前，但当它真正到来的时候，自己依然是措手不及。好在历经坎坷，结果总归是好的，希望接下来的实习收获满满。 1. 前言 春节假期还没有结束，一些公司的实习生招聘已然开始。等我来到学校，完善简历，大致过了一遍相关基础知识，这才开始投递简历。此时时间已来到了 3 月初，接下来，在等待笔试面试的过程中，我着重复习了以下几个方面的知识。 项目介绍，对照着简历进行重点复习，以及整理现在正在做的课题 超光谱图像去噪基准 深度学习，吴恩达系列课程笔记 机器学习，西瓜书，也就看了看决...

1. 题目 2. 解答 初始化 sum=0，然后遍历数组进行累加。如果 sum 变为负数，也就说再继续累加的话贡献为负，我们需要更新 sum=0，重新开始累加。 初始化 max_sum 为数组的第一个元素，之所以不初始化为零，就是防止出现数组中全为负数的情况，比如 [-2, -1, -3, -4, -5]。在遍历数组的过程中，如果 sum > max_sum，就更新 max_sum=sum，最后 max_sum 即为所求。 class Solution { public: int FindGreatestSumOfSubArray(vector<int> ...