hdu 5434 Peace small elephant 状压 快速幂

问题描述
小明很喜欢国际象棋,尤其喜欢国际象棋里面的大象(只要无阻挡能够斜着走任意格),但是他觉得国际象棋里的大象太凶残了,于是他想到了小象,
小象就没有大象那么凶残,它的攻击范围是它当前格子直角所斜对的格子。现在小明要在棋盘上放很多个小象,有趣的是,当两个小象所在格子有公共边时,
它们将合体变成合体象,多个小象满足条件也会合体,合体象的攻击范围也是它所覆盖格子区域直角所斜对的格子,现在要求任何一个象的攻击范围上是空的(即不摆放棋子),
小明的棋盘很特殊,有mnmn个格子,求满足条件的摆放的方案数,由于方案数太大,需要对10000000071000000007取模。
下面给出几种形状下的象的攻击范围图,叉号表示攻击范围。

输入描述
输入有多组数据(最多55组),每组数据有两个整数nmn,m含义如题目描述。
1m71n10000000001m7,1n1000000000
输出描述
每组数据对应输出一行包含一个整数,表示满足条件的摆放的方案数。
输入样例
1 1
2 3
输出样例
2
50
因为m比较小,可以对列进行状压,用一个数字代表一个列的状态,然后如果可以从状态i转移到状态j,那么添加一条i道到j的边,题目要求的是n列有多少种方法,其实就是问建好的图中有多少种路径长度为n-1的走法,这个可以由最开始构造的可达矩阵乘方n-1次得到,将最后的矩阵求和一边就好。
#include <cstdio>
#include <cstring>

using namespace std;
typedef long long ll;
const ll mod = 1000000007;
const int maxn = 130;
int n, m;

struct mat
{
	int num[maxn][maxn];
	mat()
	{
		memset(num, 0, sizeof(mat));
	}
	mat operator * (const mat& c)const
	{
		mat ans;
		int col = 1 << m;
		for (int i = 0; i < col; i++)
			for (int k = 0; k < col; k++)
			{
				if (num[i][k] == 0) continue;
				for (int j = 0; j < col; j++)
					ans.num[i][j] = (ans.num[i][j] + (ll)num[i][k] * c.num[k][j] % mod) % mod;
			}
		return ans;
	}
};

mat pow(mat x, int k)
{
	mat ans;
	for (int i = 0; i < (1 << m); i++) ans.num[i][i] = 1;
	while (k)
	{
		if (k & 1) ans = ans * x;
		x = x * x;
		k >>= 1;
	}
	return ans;
}

int ok(int s1, int s2)
{
	for (int i = 0; i < m; i++)
	{
		if (s2 & (1 << i))
		{
			if ((1 << i) & s1) continue;
			if (i && !(s2 & (1 << (i - 1))) && (s1 & (1 << (i - 1)))) return 0;
			if (i != (m - 1) && !(s2 & (1 << (i + 1))) && (s1 & (1 << (i + 1)))) return 0;
		}
	}
	return 1;
}
int main()
{
	while (scanf("%d%d", &n, &m) != EOF)
	{
		mat a;
		int col = 1 << m;
		for (int i = 0; i < col; i++)
			for (int j = 0; j < col; j++)
				a.num[i][j] = ok(i, j);
		a = pow(a, n - 1);
		int ans = 0;
		for (int i = 0; i < col; i++)
			for (int j = 0; j < col; j++)
			ans = (ans + a.num[i][j]) % mod;
		printf("%d\n", ans);
	}
	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