暑假集训#1 B题

B - B

Crawling in process...Crawling failed  Time Limit:500MS    Memory Limit:4096KB     64bit IO Format:%I64d & %I64u

 

Description

There is a closed broken line on a plane with sides parallel to coordinate axes, without self-crossings and self-contacts. The broken line consists of K segments. You have to determine, whether a given point with coordinates (X0,Y0) is inside this closed broken line, outside or belongs to the broken line.

Input

The first line contains integer K (4ЈK Ј 10000) - the number of broken line segments.  Each of the following N lines contains coordinates of the beginning and end points of the segments (4 integerxi1,yi1,xi2,yi2all numbers in a range from -10000 up to 10000 inclusive). Number separate by a space.  The segments are given in random order. Last line contains 2 integersX0 and Y0- the coordinates of the given point delimited by a space. (NumbersX0, Y0in a range from  -10000 up to 10000 inclusive).

Output

The first line should contain:

INSIDE - if the point is inside closed broken line,

OUTSIDE - if the point is outside,

BORDER - if the point belongs to broken line.

Sample Input

4
0 0 0 3
3 3 3 0
0 3 3 3
3 0 0 0
2 2

Sample Output

INSIDE

这是个计算几何问题,给出了很多的折线形成了一个封闭的图形,然后给出个点判断点是在多边形内或者外或者在多边形上。

方法是从给出的点出发做射线,检查边与射线的交点个数,如果是奇数个点的话就说明在多边形内,如果是偶数则是在多边形外,若检查出该点在边上就说明在多边形的边上。

对题目给出的各个边进行遍历,检查线段始末点的坐标和给出的坐标之间的关系确定焦点个数。对了要注意的一个问题就是线段的端点一端是属于线段,一端是属于线段外的。

#include<iostream>
#include<stdio.h>
#define INF 100100
#define MAX 100001
using namespace std;
struct Segment{
	int x1,y1,x2,y2;
}sgm[MAX];
int main()
{
	int n;
	while(cin>>n)
	{
		for(int i=0;i<n;i++)
		{
		     int t1,t2,t3,t4;
		     cin>>t1>>t2>>t3>>t4;
		     if(t2<=t4)
		     {
		     	sgm[i].x1=t1;
				sgm[i].y1=t2;
				sgm[i].x2=t3;
				sgm[i].y2=t4;
		     }
		     else
		     {
		     	sgm[i].x1=t3;
				sgm[i].y1=t4;
				sgm[i].x2=t1;
				sgm[i].y2=t2;
		     }
		}
		int count=0;
		int x,y;
		cin>>x>>y;
		bool boarder=false;
		for(int i=0;i<n;i++)
		{
			if(sgm[i].x1==sgm[i].x2&&sgm[i].x1>x&&y>=sgm[i].y1&&y<sgm[i].y2)
			{
				count++;
			}
		}
		for(int i=0;i<n;i++)
		{
			if((sgm[i].x1==sgm[i].x2&&sgm[i].x1==x)&&(y>=sgm[i].y1&&y<=sgm[i].y2))
			{
				boarder=true;
			}
			if(sgm[i].y1==sgm[i].y2&&sgm[i].y1==y)
			{
				if(sgm[i].x1<sgm[i].x2&&x>=sgm[i].x1&&x<=sgm[i].x2)
				 boarder=true;
				if(sgm[i].x1>sgm[i].x2&&x>=sgm[i].x2&&x<=sgm[i].x1)
				 boarder=true;
			}
		} 
		if(boarder)
		{
			cout<<"BORDER"<<endl;
		}
		else if(count%2!=0)
		{
			cout<<"INSIDE"<<endl;
		}
		else cout<<"OUTSIDE"<<endl;
	}
}

  • 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。 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