题目分析
这个题目思路很清晰，首先想到两种方法，DFS和BFS，但是要注意如何去解决关系中出现环的情况。
Activation黑科技
背景介绍
Activation(激活函数):在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数。如果不用激活函数每一层节点的输入都是上层输出的线性函数，很容易验证，无论你神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，这样会导致网络的逼近能力大大降低，所以需要引入非线性函数作为激活函数，这样可以提高神经网络的表达能力，可以逼近任意函数，不再是输入的线性组合。
目标检测数据集
背景介绍
目标检测:是计算机视觉的基础任务，近几年来，目标检测算法取得了很大的突破，主流趋势是两种，一种是one-stage算法，以SSD，YOLO为代表，另一类是two-stage算法，以Faster R-CNN为代表。广泛应用于生活之中，包括人脸检测，自动驾驶等等方面，在近期的疫情之中也发挥了巨大的作用，在火车站，地铁口都应用到了人脸检测方法，检测到人脸后利用红外对体温进行测量，因此能手动搭建一些目标检测网络，对今后的学习工作都是非常有帮助的。
DeepLab-V3+
背景介绍
DeepLab-V3+:于2018年发表在CVPR上，应用改进的Xception作为特征提取网络，并将深度可分离卷积与ASPP(Atrous Spatial Pyramid Pooling，空洞空间卷积池化金字塔)结合，大量缩小模型参数，被认为是现在语义分割模型的新高峰。
PSPNet
背景介绍
PSPNet:由香港中文大学和商汤科技提出，获得2016年ImageNet场景解析挑战的冠军，于2017发表在CVPR，通过使用金字塔池化模块完成图像分割，是一种高效的语义分割模型。
UNet
背景介绍
UNet:于2015年发表于MICCA，设计的就是应用于医学图像的分割，由于医学影响本身的性质，语义较为简单，结构较为固定，数据量较少且具有多模态的性质，根据CT灌注方法不同，具有不同的模态。UNet实现了使用少量数据集进行大尺寸图像的有效算法，因为结构类似U型，故称之为UNet。
语义分割数据集
背景介绍
语义分割:是计算机视觉的基础任务，在语义分割中我们需要将视觉输入分为不同的可解释类别，和聚类分割方法不同点在于此，其类别在真实世界中是有意义的，而聚类分割是可以将物体分成若干部分，但是每一部分不一定是有语义的，在自动驾驶，图像搜索等等领域都是非常重要的。
