hdu 1198 并查集应用

   其实可能是因为知道是用并查集做的原因啦,一下就看出题意了,明显是并查集思想,每次输入地图中的一块,检测这一块与它顶头的那块可不可以相通

如果可以合并集合;同理检测其与它左边的那一块;最后遍历一遍看有多少个根结点即要多少个水源

下面是代码,有点乱

#include<iostream>
#include<vector>

#define M 55
#define N 55

using namespace std;

class elem{
public:
	bool up;
	bool down;
	bool right;
	bool left;
};

class cor{
public:
	int x;
	int y;
};

cor father[M][N];
int n,m;

void init(vector<elem>& farm){//初始化给出的11块地的样子保存下来,下标为0的不要
	elem x;
	x.up = false; 
	x.down = false;
	x.right = false;
	x.left = false;
	farm.push_back(x);//0
	x.up = true; 
	x.down = false;
	x.right = false;
	x.left = true;
	farm.push_back(x);//1
	x.up = true;
	x.down = false;
	x.right = true;
	x.left = false;
	farm.push_back(x);//2
	x.up = false;
	x.down = true;
	x.right = false;
	x.left = true;
	farm.push_back(x);//3
	x.up = false;
	x.down = true;
	x.right = true;
	x.left = false;
	farm.push_back(x);//4
	x.up = true;
	x.down = true;
	x.right = false;
	x.left = false;
	farm.push_back(x);//5
	x.up = false;
	x.down = false;
	x.right = true;
	x.left = true;
	farm.push_back(x);//6
	x.up = true;
	x.down = false;
	x.right = true;
	x.left = true;
	farm.push_back(x);//7
	x.up = true;
	x.down = true;
	x.right = false;
	x.left = true;
	farm.push_back(x);//8
	x.up = false;
	x.down = true;
	x.right = true;
	x.left = true;
	farm.push_back(x);//9
	x.up = true;
	x.down = true;
	x.right = true;
	x.left = false;
	farm.push_back(x);//10
	x.up = true;
	x.down = true;
	x.right = true;
	x.left = true;
	farm.push_back(x);//11
}

int change(char x){//索引
	return x-'A'+1;
}

cor find_father(int x,int y){//找根结点
	if(x == father[x][y].x && y == father[x][y].y){
		cor root; root.x = x; root.y = y;
		return root;
	}
	else{
		father[x][y] = find_father(father[x][y].x,father[x][y].y);
	}
	return father[x][y];
}

void merge(cor a,cor b){合并
	father[a.x][a.y] = b;
}

void process(int x,int y,elem map[M][N]){//两个方向的处理
	int _x = x-1;
	int _y = y;
	if(_x >= 1 && _x <= n && _y >= 1 && _y <= m && map[x][y].up && map[_x][_y].down){//上下两个图都有pipe
		cor a = find_father(x,y);
		cor b = find_father(_x,_y);
		if(!(a.x == b.x && a.y == b.y))
		    merge(a,b);
	}
	_x = x; _y = y-1;
	if(_x >= 1 && _x <= n && _y >= 1 && _y <= m && map[x][y].left && map[_x][_y].right){//左右
		cor a = find_father(x,y);
		cor b = find_father(_x,_y);
		if(!(a.x == b.x && a.y == b.y))
		    merge(a,b);
	}
}

int main()
{
	vector<elem> farm;//保存11个初始地图
	elem map[M][N];
	init(farm);
	while(cin >>n >>m && (n > 0 && m > 0)){
		for(int i = 1;i <= n;i++){
			for(int j = 1;j <= m;j++){
			    father[i][j].x = i;
				father[i][j].y = j;
			}
		}
		for(int i = 1;i <= n;i++){
			for(int j = 1; j <= m;j++){
				char x;
				cin >>x;
				map[i][j] = farm[change(x)];
				process(i,j,map);
			}
		}
		int count = 0;
		for(int i = 1;i <= n;i++){
			for(int j = 1;j <= m;j++){
			if(i == father[i][j].x && father[i][j].y == j)
				count++;
			}
		}
		cout <<count <<endl;
	}
	return 0;
}

  • 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