算法原理系列：2-3查找树

而当看完《算法》查找章节时，顿时有种顿悟，喔，原来如此啊。所以，提出来的这些有趣的结构千万不能割裂来看，它的演变如此诱人，细节值得品味。 我就不卖关子了，直接给出2-3树的其中一个基本定义： 一棵2-3查找树或为一颗空树，或由以下节点组成： 2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点 3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 ！！！ 这思想很重要，因为后续的平衡二叉树算法都是基于这个原则实现的。原因也说了，如果不去时刻维护，要获得全局信息代价高昂且全局调整难度大于局部调整。 算法 第四版[M]. 北京：人民邮电出版社，2012.10 Cormen. 算法导论[M].北京：机械工业出版社，2013 算法原理系列：查找

数据结构与算法——2-3树

因此，引入了 2-3 树来提升效率。2-3 树本质也是一种平衡搜索树，但 2-3 树已经不是一棵二叉树了，因为 2-3 树允许存在 3 这种节点，3- 节点中可以存放两个元素，并且可以有三个子节点。 2-3 树定义 2-3 树的定义如下： （1）2-3 树要么为空要么具有以下性质： （2）对于 2- 节点，和普通的 BST 节点一样，有一个数据域和两个子节点指针，两个子节点要么为空，要么也是一个2 2-3树查找 2-3 树的查找类似二叉搜索树的查找过程，根据键值的比较来决定查找的方向。 例如在图 2.1 所示的 2-3 树中查找键为H的节点： ? img 2-3树为满二叉树，删除叶子节点 操作步骤：若2-3树是一颗满二叉树，将2-3树层树减少，并将当前删除节点的兄弟节点合并到父节点中，同时将父节点的所有兄弟节点合并到父节点的父节点中，如果生成了4 但是2-3树需要维护两种不同类型的结点，查找和插入操作的实现需要大量的代码，而且它们所产生的额外开销可能会使算法比标准的二叉查找树更慢。 今日问题： 大家的开工状态怎么样？ ?

Java数据结构与算法解析——2-3树

2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 一棵2-3查找树或为一颗空树，或由以下节点组成： 1)2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点。 2)3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 所以只需要常数次操作即可完成2-3树的平衡。 ? 性质这些本地操作保持了2-3树的平衡。对于4-node节点变形为2-3节点，变形前后树的高度没有发生变化。 下面是2-3查找树的效率： ? 最后贴上一张2-3树的构造过程： ? JAVA架构

题目 1675: 算法2-3~2-6：Big Bang

题意：题目的意思就是insert 是在一个地方插入一个字符串，然后delete是删除一个字符串，show是展示当前存在的所有字符串，然后search 是查找字符串然后输出字符串存在的序号。

视觉SLAM算法对比

纯视觉SLAM对比 纯视觉SLAM类别可分为两种主要方法：基于特征的方法和直接方法。视觉的SLAM系统基于二维图像处理，系统通过多视角获取数据，首先执行初始化流程以定义全局坐标系并重建初始地图。 时间 算法 全称 特点 地图密度 全局优化 回环检测 2007 MonoSLAM 单目SLAM 第一个单目SLAM算法 稀疏 无 无 2007 PTAM 平行跟踪和测绘 第一个将跟踪和映射分成两个不同步骤的算法 纯视觉SLAM算法流程概述 MonoSLAM PTAM DTAM SVO LSD-SLAM ORB-SLAM2 CNN-SLAM DSO 3. VI-SLAM算法对比 VI-SLAM算法根据其后端处理方式存在不同实现方案，可分为基于过滤的和基于优化的两种类型。 时间 算法 全称 特点 地图密度 全局优化 回环检测 2007 MSCKF 多状态约束卡尔曼滤波器 包含三大核心步骤：状态传播、图像配准与滤波器更新 稀疏 无 无 2014 LKVIS 基于关键帧的视觉惯性

视觉SLAM算法介绍

REF：视觉即时定位与建图算法综述 1. ⁃惯性：视觉数据与IMU数据融合，形成的视觉⁃惯性SLAM算法能够实时且精确地计算相机的 ６⁃DOF姿态，这种融合方法增强SLAM算法对复杂环境的适应能力，如在光照变化剧烈、场景缺乏特征或存在运动模糊 视觉-激光：多传感器集成的策略发挥了各自传感器的优势，极大提高了 ＳＬＡＭ 算法在面对复杂情境的鲁棒性，特别是在单一传感器可能受限或提供的信息不全时 2. DeepVO算法：是将深度学习应用于视觉里程计的算法，利用卷积神经网络（ＣＮＮ）和循环神经网络（ＲＮＮ）相结合的方法来提取图像特征并进行时序信息处理， 采用端到端的学习方式，从原始图像输入到相机姿态输出 多传感器适配：融入更多传感器，实现多模态感知，综合利用视觉、激光雷达、IMU和超声波等多种感知模式 实时性优化：视觉SLAM算法在减少计算复杂度和内存消耗，主要有三个方向： 轻量化：设计轻量级的深度学习模型和优化算法

Java数据结构与算法解析(十)——2-3树

2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 一棵2-3查找树或为一颗空树，或由以下节点组成： 1)2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点。 2)3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 所以只需要常数次操作即可完成2-3树的平衡。 性质 这些本地操作保持了2-3树的平衡。对于4-node节点变形为2-3节点，变形前后树的高度没有发生变化。 下面是2-3查找树的效率： 最后贴上一张2-3树的构造过程：

机器人视觉控制新范式！ByteDance Research新算法实现通过性能SOTA

其中，Dreamer 算法在多种模拟环境的成功表现让我们看到了世界模型优秀的表征和泛化能力。如果将世界模型应用于复杂真实场景，是否能够实现更好的控制决策呢？ 对此，ByteDance Research 研究团队与上海交通大学合作，成功将世界模型应用于四足机器人视觉控制领域，提出了基于世界模型的感知算法 WMP（World Model-based Perception ），WMP 通过在模拟器中学习世界模型和策略，其中世界模型通过历史感知信息（包括视觉感知和本体感知）预测未来的感知，策略以世界模型提取的特征作为输入，输出具体控制动作。 在足式机器人的运动控制中，视觉图像信息对于诸如越障等复杂环境是不可或缺的。 凭借强化学习的奖励信号从长序列、高维的视觉信息中学习策略难度极大。 总结 本研究提出了一种新的运动控制框架，通过构筑的世界模型来处理视觉信息和辅助决策，在四足机器人运动控制领域取得了不错的效果。

PID控制算法

PID控制算法是一个在工业控制应用中常见的反馈回路算法，它把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，从而使得整个系统更加准确而稳定。 图片来源[1] 下面我们主要了解PID控制算法的细节及其在机器人/自动驾驶领域的应用。在机器人/自动驾驶领域，一个常见的任务就是使得机器人/自动驾驶车辆移动到目标轨迹上。 如下图所示，控制指令要求车辆转向为0度，但实际上它转了0.5度，这种误差对于人类司机来讲，会自动校正；但是对于自动驾驶系统，需要消除这种误差。

算法和数据结构: 八 平衡查找树之2-3树

本文首先介绍2-3查找树(2-3 Search Tree)，后面会在此基础上介绍红黑树和B树。 定义 和二叉树不一样，2-3树运行每个节点保存1个或者两个的值。 左节点也是一个2-3节点，所有的值均比两个key中的最小的key还要小；中间节点也是一个2-3节点，中间节点的key值在两个跟节点key值之间；右节点也是一个2-3节点，节点的所有key值比两个key中的最大的 如果中序遍历2-3查找树，就可以得到排好序的序列。在一个完全平衡的2-3查找树中，根节点到每一个为空节点的距离都相同。 ? 所以只需要常数次操作即可完成2-3树的平衡。 ? 性质 这些本地操作保持了2-3树的平衡。对于4-node节点变形为2-3节点，变形前后树的高度没有发生变化。 在2-3查找树基础上改进的红黑树不仅具有较高的效率，并且实现起来较2-3查找树简单。 但是2-3查找树作为一种比较重要的概念和思路对于后文要讲到的红黑树和B树非常重要。

视觉格式化模型-控制框

一、块级元素和块框 块级元素是源文档中那些在视觉上被格式化为块（如：段落）的元素。 匿名行内框

Some emphasized text

​基于机器视觉的视觉刺激BCI系统实现动态控制

视觉刺激(VS)是目前无创BMI应用最广泛的范式之一，具有高精确度和高信息传递率(ITR)等优势。 基于VS触发的EEG特征的BCI已被广泛用于工程中，尽管基于VS的BMI具有相对较高的信息传输速率(ITR)，但仍然难以控制动态环境中的机器。 一个基于机器视觉的增强现实视觉刺激动态范式（AR-VS），利用动态决策时间区分方法解码人的意图，该方法控制基于任务与自运动系统协调的机器人在快速灵活的状态下，实现了更高的灵活性和更快的执行速度。 图1 AR-VS运行过程 (a) 现实环境中的AR-VS；(b) 和（c）为基于AR-VS的机器人控制系统示意图。 但还是明显受到了目标移动速度的影响，且长期使用VS范式仍然会导致疲劳，提高分类精度和减轻视疲劳是未来需要解决的问题，另外，装置本身的优化也应向更轻便、更友好、更多样发展，如同时适应家庭和户外，这种优化还应考虑人/机器视觉与人

机器视觉算法(系列一)--机器视觉简短入门

由于笔者正处于机器视觉行业，所以准备和大家一起系统的学习机器视觉方面相关知识，主要包括常见的机器视觉算法，以及常见的应用领域算法的实现等，欢迎大家的讨论和交流。 ，进而根据判别的结果来控制现场的设备动作。 其中， 为传送带上的被测物体 为合适的拍摄被测物的相机 为标准或定制的光源 为触发图像采集的光电传感器 为计算机或工控机 为相机-计算机接口 为驱动软件采集到的图像 机器视觉算法处理处理过程 为算法返回的检测结果 为数字I/O口 PLC控制器 为现场总线接口 执行机构 上面系统的一般工作流程如下： 被测物体被传输到固定位置后，触发相机采集图像 采集到的图像传入计算机进行算法运算 将运算结果通过控制器返回到执行机构 2.常见的机器视觉应用 下面举几个常见的，必须有机器视觉系统参与的任务： 目标识别用来甄别不同的被测物体，比如物流控制或者根据不同目标进行的不同检测，识别有特殊识别特征的识别物，如字符串，条形码，二维码或被测物体的形状等特性

视觉算法落地复盘

我在视觉算法落地这个坑里摸爬了很多年。从最早的传统图像处理，到后来的目标检测、语义分割，再到现在的大模型视觉。每一次技术迭代，学术界都会吹出一堆牛皮的论文，但没人告诉你落地的时候会遇到什么。 二、老板的热力学定律 每个做视觉算法落地的人，都会遇到一个违反热力学定律的老板。 然后前端同事转头就跟产品经理说"视觉算法太慢了"。你连辩解的机会都没有。 算力第一定律：你能用什么模型，不取决于你的技术水平，而取决于你的算力预算。 视觉算法落地这个领域，没有银弹，没有万能药。 每一个项目都是一次取舍，每一次部署都是一次妥协。你要在精度、速度、成本之间找到平衡点，而这个平衡点每次都不一样。 最后，我想对所有在视觉算法落地一线的同伴们说几句。 这个行业很苦，但也很有意思。你解决的每一个问题都是实打实的，你写的每一行代码都是真正在服务用户的。

TCP 拥塞控制算法

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制是作用于网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 四大算法  拥塞控制主要是四个算法：1）慢启动，2）拥塞避免，3）拥塞发生，4）快速恢复。这四个算法不是一天都搞出来的，这个四算法的发展经历了很多时间，到今天都还在优化中。 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。

机器视觉降龙算法项目

降龙算法十八掌：十八种经典机器视觉算法 出此系列教程的目的是面向处于学习阶段的学生，尤其是想做机器视觉传统算法工程师或者机器视觉软件开发工程师的同学。 如果你想做机器视觉传统算法工程师，那降龙算法十八掌绝对是一本秘籍，掌握十八种在机器视觉行业最为经典的算法实现，注意，不是调库的实现，而是纯自己C++手写实现。 整个单次运行、循环运行和停止运行是靠一个单生产者单消费者队列模型来控制的，会在后续教程种做详细讲解。 视觉窗口：图片显示窗口，支持拖动，放大缩小，双击鼠标居中，图像自适应显示等等，在视觉窗口会显示当前图像或者算法的输出图像。 6. 3、降龙算法十八掌 降龙算法系列教程会对降龙GUI集成十八种机器视觉领域的经典算法，包括但不限于边缘提取、直线检测、圆检测、mark点提取、毛刺检测、卡尺测量、斑点分析、光度立体、模板匹配、灰度匹配等等

计算机视觉：撕裂时空的视觉算法革命狂潮

一·本篇介绍： 在科技飞速发展的今天，计算机视觉作为人工智能领域的重要分支，正以前所未有的速度改变着我们的生活。从智能手机的人脸识别解锁功能，到自动驾驶汽车的环境感知系统，计算机视觉技术无处不在。 本文将深入探讨计算机视觉领域的关键技术和算法，并结合 C++ 代码进行详细的实现和分析，带领读者领略这场视觉算法的革命狂潮。 二计算机视觉基础： 2.1 图像表示与处理： 2.1.1 图像的基本概念： 在计算机视觉中，图像通常被表示为一个二维矩阵，矩阵中的每个元素代表一个像素点的颜色值。 OpenCV 是一个广泛应用于计算机视觉领域的开源库，提供了丰富的图像处理和计算机视觉算法。 本篇直观呈现了计算机视觉技术的实现过程。计算机视觉正以前所未有的速度发展，未来将在更多领域创造惊喜，推动科技进步迈向新高度。

飞行机器人BeeRotor:用视觉控制飞行

虽然有研究指出，飞行的昆虫是通过重力来感知方向进行导航，实际上，这些研究也表明，这些昆虫也大部分通过视觉控制飞行，即通过复眼视网膜感知周围环境的光流信息。 这种基于视觉的感知机制激发了研究者Fabien Expert和埃克斯·马赛大学研究机构Institut des Sciences du Mouvement Etienne-Jules Marey的Franck 为了更加精确复制昆虫通过感知光流信息控制飞行的能力，研究者们在BeeRotor的“眼睛”上下方安装了24个光电二极管，让机器人感知周围环境。 第一个通过视觉数据控制飞行高度。第二个，通过收集的地势数据控制速度。最后一个用来保持平衡，以避免在没有安装加速计的情况下，急剧倾斜带来的不稳定破坏拍摄效果。

TCP拥塞控制算法简介

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 四大算法  拥塞控制主要是四个算法：1）慢启动，2）拥塞避免，3）拥塞发生，4）快速恢复。这四个算法不是一天都搞出来的，这个四算法的发展经历了很多时间，到今天都还在优化中。 ? 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。

TCP拥塞控制算法简介

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 四大算法  拥塞控制主要是四个算法：1）慢启动，2）拥塞避免，3）拥塞发生，4）快速恢复。这四个算法不是一天都搞出来的，这个四算法的发展经历了很多时间，到今天都还在优化中。 ? 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。