poj2251 Dungeon Master (bfs)

*题意:

     给定三维迷宫,能走出来就输出最短用时,走不出输出
*代码:
#include<iostream>
#include<cstring>
#include<cstdio>
using namespace std;
char maze[31][31][31];
bool visit[31][31][31];
int queue[28000][3];
int time[31][31][31];
int l,c,r;
int dir[6][3]={{1,0,0},{-1,0,0},{0,1,0},{0,-1,0},{0,0,1},{0,0,-1}};
void bfs(int start[3],int end[3])
{
    int i,k,front=0,back=1,flag=0,temp[3],next[3];
    queue[0][0]=start[0];
    queue[0][1]=start[1];
    queue[0][2]=start[2];
    while(front<back)
    {
          temp[0]=queue[front][0];
          temp[1]=queue[front][1];
          temp[2]=queue[front++][2];
          for(i=0;i<6;i++)
          {
              next[0]=temp[0]+dir[i][0];
              next[1]=temp[1]+dir[i][1];
              next[2]=temp[2]+dir[i][2];
              if(next[0]<l&&next[1]<r&&next[2]<c&&next[0]>=0&&next[1]>=0&&next[2]>=0&&maze[next[0]][next[1]][next[2]]!='#'&&!visit[next[0]][next[1]][next[2]])
              {
                time[next[0]][next[1]][next[2]]=time[temp[0]][temp[1]][temp[2]]+1;
                visit[next[0]][next[1]][next[2]]=1;
                if(next[0]==end[0]&&next[1]==end[1]&&next[2]==end[2])
                {
                    cout<<"Escaped in "<<time[end[0]][end[1]][end[2]]<<" minute(s)."<<endl;
                    flag=1;
                    break;
                }
                else
                {
                    queue[back][0]=next[0];
                    queue[back][1]=next[1];
                    queue[back++][2]=next[2];
                }
              }
          }
          if(flag)
              break;
    }
    if(!flag)
        cout<<"Trapped!"<<endl;
}
int main()
{
    //freopen("input.txt","r",stdin);
    //freopen("output.txt","w",stdout);
    int i,j,k,start[3],end[3];
    while(cin>>l>>r>>c)
    {
        if(l==0&&r==0&&c==0)
            break;
        memset(visit,0,sizeof(visit));
        memset(time,0,sizeof(time));
        for(i=0;i<l;i++)
            for(j=0;j<r;j++)
                for(k=0;k<c;k++)
                {
                    cin>>maze[i][j][k];
                    if(maze[i][j][k]=='S')
                    {
                        start[0]=i;
                        start[1]=j;
                        start[2]=k;
                        visit[i][j][k]=1;
                    }
                    if(maze[i][j][k]=='E')
                    {
                        end[0]=i;
                        end[1]=j;
                        end[2]=k;
                    }
                }
                bfs(start,end);
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/Neptunes/p/3350290.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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