1076 Forwards on Weibo (30 分)

1076 Forwards on Weibo (30 分)

题目大意

给出每个用户关注的人的id,和转发最多的层数,求一个id发了条微博最多会有多少人转发(某个人发了条微博,所有关注他的人都会转发,这样就能获得这个人的微博被转发量的最大值)(包括直接转发+间接转发)

基本思路

带层数的广度优先遍历,在每一个bfs中,因为每个用户都只能转发一次,所以用inq判断当前结点是否入过队,入过队的不能重复入队(重复转发消息),数组inq和邻接表v可以值存储用户编号,queue的数据类型必须为node,在一个node中保存他的编号和层号(间接转发不超过l层),用cnt统计最终的转发次数然后返回。

代码

#include <iostream>
#include <algorithm>
#include <queue>
#include <vector>
using namespace std;
const int maxn=1005;
//每个人(编号,层号)为一个结点
struct node{
    int id;
    int layer;//因为转发有层数的限制,超过l层的不算
};
int n,l;//人数,最多转发层数
vector<int> v[maxn];//下标为人的编号,值为直接转发他微博的人的编号
//对某个人进行bfs,求出这个人的微博被多少人转发(直接+间接)
int bfs(node tnode){
    queue<node> q;
    bool inq[maxn]={false};
    q.push(tnode);
    inq[tnode.id]=true;
    int cnt=0;//有几个人转发了他的微博(直接+间接)
    while(!q.empty()){
        node top=q.front();
        q.pop();
        int topid=top.id;
        for(int i=0;i<v[topid].size();i++){
            int tid=v[topid][i];
            if(inq[tid]==false&&top.layer<l){
                node tnode=node{tid,top.layer+1};
                q.push(tnode);
                inq[tid]=true;
                cnt++;
            }
        }
    }
    return cnt;
}
int main(){
    cin>>n>>l;
//     v.resize(n+1);
    /*构建邻接表:枚举每个编号,看看这个人转发了哪几个人的微博,
     并在那几个人的邻接表中加上这个人的编号。*/
    for(int i=1;i<=n;i++){
        int ans;
        cin>>ans;
        while(ans--){
            int tid;
            cin>>tid;
            v[tid].push_back(i);
        }
    }
    //对测试样例中的每个编号进行bfs,求出这个人的微博被多少人转发(直接+间接,最多转发层次为l)
    int num;
    cin>>num;
    for(int i=0;i<num;i++){
        int tid;
        cin>>tid;
        node tnode=node{tid,0};
        cout<<bfs(tnode)<<endl;
    }
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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: 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、算法类 基于深度学习的目标检测算法主要为两大类: 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