插入区间。给出一个无重叠的 ,按照区间起始端点排序的区间列表。
在列表中插入一个新的区间,你需要确保列表中的区间仍然有序且不重叠(如果有必要的话,可以合并区间)。
示例 1:
1 |
|
示例 2:
1 |
|
插入区间。给出一个无重叠的 ,按照区间起始端点排序的区间列表。
在列表中插入一个新的区间,你需要确保列表中的区间仍然有序且不重叠(如果有必要的话,可以合并区间)。
示例 1:
1 |
|
示例 2:
1 |
|
合并区间。给出一个区间的集合,请合并所有重叠的区间。
示例 1:
1 |
|
示例 2:
1 |
|
Deep Binaries: Encoding Semantic-Rich Cues for Efficient Textual-Visual Cross Retrieval 论文阅读笔记。
ICCV 2017
本文针对图片和句子文本描述之间的跨模态检索问题,提出了能够有效编码大信息量图片和长描述性句子文本中的细节语义的模型 Textual-Visual Deep Binaries(TVDB),通过一个基于区域的卷积网络和LSTM网络来提取图片中的区域信息,通过卷积神经网络来提取句子的语义段。
跳跃游戏。给定一个非负整数数组,你最初位于数组的第一个位置。
数组中的每个元素代表你在该位置可以跳跃的最大长度。
判断你是否能够到达最后一个位置。
示例 1:
1 |
|
示例 2:
1 |
|
螺旋矩阵。给定一个包含 m x n 个元素的矩阵(m 行, n 列),请按照顺时针螺旋顺序,返回矩阵中的所有元素。
示例 1:
1 |
|
Transitive Hashing Network for Heterogeneous Multimedia Retrieval 论文阅读笔记。
AAAI 2017
本文针对的是在文本数据和图像数据不同源,不能直接获取相似关系的情况下的跨模态检索问题,文中提出了迁移哈希的思路,利用现有的同源跨模态数据集作为辅助数据集,进行迁移学习,通过拟合非同源数据与同源数据的分布,以同源跨模态数据集的相似度拟合非同源数据集的相似度,从而完成相似度的学习,生成各模态对应的哈希码。
最大子序和。给定一个整数数组 nums
,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
示例:
1 |
|
进阶:
如果你已经实现复杂度为 O(n) 的解法,尝试使用更为精妙的分治法求解。
N皇后 II。n 皇后问题研究的是如何将 n 个皇后放置在 n×n 的棋盘上,并且使皇后彼此之间不能相互攻击。
上图为 8 皇后问题的一种解法。
给定一个整数 n,返回 n 皇后不同的解决方案的数量。
示例:
1 |
|
N皇后。n 皇后问题研究的是如何将 n 个皇后放置在 n×n 的棋盘上,并且使皇后彼此之间不能相互攻击。
上图为 8 皇后问题的一种解法。
给定一个整数 n,返回所有不同的 n 皇后问题的解决方案。
每一种解法包含一个明确的 n 皇后问题的棋子放置方案,该方案中 'Q'
和 '.'
分别代表了皇后和空位。
示例:
1 |
|
Pow(x, n)。实现 pow(x, n) ,即计算 x 的 n 次幂函数。
示例 1:
1 |
|
示例 2:
1 |
|
示例 3:
1 |
|