隔热板 - 二分 - 倍增

题目大意:平面上n个点,你要画m条直线,使得任意一个点和原点的连线与这m条直线中的至少一条相交(不考虑一些乱七八糟的重合情况),并且使得原点到m条直线的最小距离最大。 n ≤ 1 0 4 n\le10^4 n104
题解:先二分答案,问题转为每个区间至少一个点,去掉包含并倍长环,在上面做贪心,用倍增维护即可。

#include<bits/stdc++.h>
#define rep(i,a,b) for(int i=a;i<=b;i++)
using namespace std;typedef double db;const int N=80010,LOG=16;const db eps=0.00065,PI=acos(-1);
inline int inn() { int x;scanf("%d",&x);return x; } inline db indb() { double x;scanf("%lf",&x);return x; }
struct S{ db l,r;int id; S() {} S(db _l,db _r,int _id) { l=_l,r=_r,id=_id; }
	bool operator<(const S &s)const { return r==s.r?l<s.l:r<s.r; }bool operator==(const S &s)const { return id==s.id; }
}s[N];db x[N],y[N],a[N];int nxt[N][LOG];
inline int check(db R,int n,int m,db alp=0.0,db d=0.0,db bt=0.0)
{
	rep(i,1,n) alp=a[i],d=sqrt(x[i]*x[i]+y[i]*y[i]),bt=acos(R/d),s[i]=S(alp-bt,alp+bt,i),s[i+n]=S(alp-bt+2*PI,alp+bt+2*PI,i+n);
	sort(s+1,s+n*2+1);rep(i,1,n*2) if(s[i+1].l<=s[i].l) s[i+1]=s[i];int cnt=(int)(unique(s+1,s+2*n+1)-s-1),ans=cnt/2,t=cnt/2;if(ans<=m) return 1;
	for(int i=1,j=1;i<=cnt;nxt[i++][0]=j) while(j<cnt&&s[i].r>=s[j].l) j++;rep(j,1,LOG-1) rep(i,1,cnt) nxt[i][j]=nxt[nxt[i][j-1]][j-1];
	for(int x=1,y,v,i;x<=t;x++) { for(y=x,v=0,i=LOG-1;i>=0;i--) if(nxt[y][i]<x+t) y=nxt[y][i],v+=(1<<i);ans=min(ans,v+1);if(ans<=m) return 1; }
	return 0;
}
int main() { int n=inn(),m=inn();db L=eps,R=2e8;rep(i,1,n) x[i]=indb(),y[i]=indb();
	rep(i,1,n) { a[i]=atan2(y[i],x[i]);if(a[i]<0) a[i]+=2*PI; }rep(i,1,n) R=min(R,sqrt(x[i]*x[i]+y[i]*y[i]));
	for(db mid=(L+R)/2;L+eps<=R;mid=(L+R)/2) if(check(mid,n,m)) L=mid+eps;else R=mid-eps;return !printf("%.2lf\n",(double)((L+R)/2));	}
  • 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