JZOJ1738. Heatwave

1738. Heatwave

题解

先做一遍最小生成树(Kruscal),再求每个询问中两点到他们的LCA的路径上边的最大值。

SRC

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;

#define N 15000+10
#define M 40000+10
struct Etype{
    int u,v,d;
}E[M];
const int MX=15;

int Node[M],Next[M],D[M],Head[N],tot;
int f[N];
int Fa[N][20],V[N][20],H[N];
int n,m,Q;

bool cmp(Etype a,Etype b) {return a.d < b.d ;}

void Swap(int *a,int *b) {int t=*a; *a=*b; *b=t;}

void link(int u,int v,int w) {
    Node[++tot]=v;
    D[tot]=w;
    Next[tot]=Head[u];
    Head[u]=tot;
}

int getfather(int x) {
    if(f[x]==x) return x;
    return f[x]=getfather(f[x]);
}

void DFS(int F,int x,int depth) {
    H[x]=depth;
    for(int p=Head[x];p;p=Next[p]) {
        if(Node[p]==F) continue;
        Fa[Node[p]][0]=x;
        V[Node[p]][0]=D[p];
        DFS(x,Node[p],depth+1);
    }
}

int Lca(int x,int y) {
    int ans=0;
    if(H[x]<H[y]) swap(x,y);
    for(int i=MX;i>=0;i--) 
        if(H[Fa[x][i]]>=H[y]) {
            ans=max(ans,V[x][i]);
            x=Fa[x][i];
        }
    if(x==y) return ans;
    for(int i=MX;i>=0;i--) {
        if(Fa[x][i]!=Fa[y][i]) {
            ans=max(ans,V[x][i]);
            ans=max(ans,V[y][i]);
            x=Fa[x][i];
            y=Fa[y][i];
        }
    }
    ans=max(ans,V[x][0]);
    ans=max(ans,V[y][0]);
    return ans;
}

int main()
{
    scanf("%d%d%d",&n,&m,&Q);
    for(int i=1;i<=n;i++) f[i]=i;
    for(int i=1;i<=m;i++) {
        scanf("%d%d%d",&E[i].u,&E[i].v,&E[i].d);
    }
    sort(E+1,E+m+1,cmp);
    for(int i=1;i<=m;i++) {
        int f1=getfather(E[i].u);
        int f2=getfather(E[i].v);
        if(f1!=f2) {
            f[f2]=f1;
            link(E[i].u,E[i].v,E[i].d);
            link(E[i].v,E[i].u,E[i].d);
        }
    }
    DFS(0,1,1);
    for(int k=1;k<=MX;k++) {
        for(int i=1;i<=n;i++) {
            if(!Fa[Fa[i][k-1]][k-1]) continue;
            Fa[i][k]=Fa[Fa[i][k-1]][k-1];
            V[i][k]=max(V[i][k-1],V[Fa[i][k-1]][k-1]);
        }
    }
    for(int i=1;i<=Q;i++) {
        int u,v;
        scanf("%d%d",&u,&v);
        printf("%d\n",Lca(u,v));
    }
    return 0;
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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