11.02~11.16大周总结。

今天刚刚上线,就遇到了这么一题。

(简化):农民XXX病的不轻,但是!他还是坚持去刷栅栏。他的奶牛看不下去了,于是来帮他刷。

看到这道题,(浮想出考试的情景)于是:

//上面的字体是我写的吗。。怎么这么臭。。
#inlude<biys/stdc++.h>
using namespace std;
int main()
{
int a,b,c,d,f,n;/f是农民刷的栅栏数,n是牛刷的栅栏数;
cin>>a>>b>>c>>d;
f=b-a;
n=d-c;
cout<<f+n<<endl;
return 0;
}

我都不知道我是怎么想的,这做法又臭又长!!!

(这么又臭又长的代码一定不过。。。)

呵呵,没有超出意料,连样例都没过。。。

所以,由不得已重敲了一遍。。。。

源代码里加了点小修改。。。

#inlude<biys/stdc++.h>
using namespace std;
int main()
{
int a,b,c,d,f,n;/f是农民刷的栅栏数,n是牛刷的栅栏数;
cin>>a>>b>>c>>d;
if(b<c||a>d)
f=b-a;
n=d-c;
cout<<f+n<<endl;
else
if(b>c)
f=b-a;
n=d-c;
cout<<f+n+b-c<<endl;
return 0;
}

呵呵!

于是我又来了一遍。。。。

#inlude<biys/stdc++.h>
using namespace std;
int main()
{
int a,b,c,d,f,n;/f是农民刷的栅栏数,n是牛刷的栅栏数;
cin>>a>>b>>c>>d;
if(b<c||a>d)
f=b-a;
n=d-c;
cout<<f+n<<endl;
else
if(b>c)
f=b-a;
n=d-c;
cout<<f+n+b-c<<endl;
else
if(a<d)
f=b-a;
n=d-c;
cout<<f+n+b-c<<endl;
else
if(a==d||b++c)
f=b-a;
n=d-c;
cout<<f+n-1<<endl;
return 0;
}

长长臭臭的代码令人作呕。。

 

  • 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: 分类问题: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、算法分类 基于深度学习的目标检测算法主要分为两大类: 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分类。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分类和位置。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分为多个区域,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