bzoj2434 阿狸的打字机 fail树+树状数组

啊为了这道题花了接近半天的时间……主要还是因为自己效率太低……以及太弱……

思路:

m个询问,每个询问x y 问x在y中出现多少次
y–包含串 x–被包含串
求第x个打印的字符串在第y个打印的字符串中出现了多少次。
先建造ac自动机及fail指针,再以fail的反指针建造fail树。
x在y中出现多少次 =查x字符串的末尾指向y的fail反指针有多少=是此时在x的子树中有多少y串中的点=统计子树和
还有一些需要注意的细节,具体看代码:

/**************************************************************
    Problem: 2434
    User: DD_D
    Language: C++
    Result: Accepted
    Time:668 ms
    Memory:16584 kb
****************************************************************/

#include<cstdio>
#include<cstring>
#include<queue>
#include<algorithm>
using namespace std;
const int M=1e5+5,N=1e5+5; 
char s[N];
int rt,ch[N][26],ptot,etot,m,len;
int to[N],head[N],nxt[N],in[N],out[N],idc,c[N],ans[M],ed[N],fa[N];
int fail[N];
struct type{
    int x,y,id;
}a[M];
int cmp(type a,type b)
{
    return a.y!=b.y?a.y<b.y:a.x<b.x;
}
void build()
{
    int now=rt,cnt=0/**/;
    for(int i=1;i<=len;i++){ 
        if(s[i]=='P') ed[++cnt]=now;
        else if(s[i]=='B') now=fa[now];
             else if(ch[now][s[i]-'a']==-1)
                  ch[now][s[i]-'a']=++ptot,fa[ptot]=now,now=ptot;
                  else now=ch[now][s[i]-'a'];
    }
}
void get_fail()
{
    queue<int> q;
    fail[rt]=0;
    q.push(rt);
    //!!!!!建fail的时候一定要记得特判第一层!!! 
    while(!q.empty()){
        int now=q.front();q.pop();
        for(int i=0;i<26;i++){
            if(ch[now][i]!=-1) {
                q.push(ch[now][i]);
                fail[ch[now][i]]= now==0?0:ch[fail[now]][i];
            }
            else ch[now][i]= now==0?0:ch[fail[now]][i];
        }
    }
}
void adde(int u,int v)
{
    to[++etot]=v;
    nxt[etot]=head[u];
    head[u]=etot;
}
void dfs(int u)
{
    in[u]=++idc;
    for(int i=head[u];i;i=nxt[i]) dfs(to[i]);
    out[u]=idc;
}
void init()
{
    ptot=0;
    memset(ch,-1,sizeof(ch));
}
void add(int x,int d)
{
    for(int i=x;i<=idc;i+=i&(-i))
    c[i]+=d;
}
int query(int l,int r)
{
    int a1=0,a2=0;
    for(int i=l-1;i>=1;i-=i&(-i))
    a1+=c[i];
    for(int i=r;i>=1;i-=i&(-i))
    a2+=c[i];
    return a2-a1;
}
//solve的步骤:
//y完了后,要查x字符串的末尾指向它的fail反指针有多少,也就是此时在x的子树中
//有多少y串中的点,也就是统计子树和 
//不用担心x的子树里有除y以外其他串的原因:y字符串不是从P开始而是从头开始
//所以现在没有因为B而被删的字符都属于y字符串 
void solve()
{
    int now=rt,cnt=0,k=1;
    for(int i=1;i<=len;i++){ 
        if(s[i]=='P'){
            cnt++;
            if(cnt==a[k].y){
                for(;a[k].y==cnt;k++)
        ans[a[k].id]=query(in[ed[a[k].x]],out[ed[a[k].x]]);
            }
        } 
        else if(s[i]=='B') add(in[now],-1),now=fa[now];
             else now=ch[now][s[i]-'a'],add(in[now],1);
    }
}
int main()
{
    init();
    scanf("%s",s+1);
    len=strlen(s+1);
    build();
    get_fail();
    for(int i=1;i<=ptot;i++)
    adde(fail[i],i);
    dfs(rt);
    scanf("%d",&m);
    for(int i=1;i<=m;i++){
        scanf("%d%d",&a[i].x,&a[i].y);
        a[i].id=i;
    }
    sort(a+1,a+1+m,cmp);
    solve();
    for(int i=1;i<=m;i++)
    printf("%d\n",ans[i]);
    return 0;
} 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    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 1
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