ACMC7

本文探讨了两篇关于编程竞赛的文章。第一篇涉及在比赛中处理机器人代码的策略,强调了在遇到除法时避免分母为零的重要性。第二篇介绍了如何在大规模数据下进行旅程规划,通过巧妙地使用映射存储数据来优化解决方案。文章提醒读者在进行数学运算时要警惕潜在错误,如溢出和负数下标。
摘要由CSDN通过智能技术生成

A - Contest for Robots CodeForces - 1321A

#include <bits/stdc++.h>
using namespace std;

int main()
{
   int n;
   cin>>n;
   int a[110];
   int b[110];
   int sum1=0;
   int sum2=0;
 for(int i=0;i<n;i++)
 {
    cin>>a[i];
 }
  for(int i=0;i<n;i++)
 {
    cin>>b[i];
    if(a[i]==b[i])
    continue;
    else if(a[i]==1)
    {
        sum1++;
    }
        else if(b[i]==1)
    {
        sum2++;
    }
 }
 if(sum1==sum2&&sum1==0)
 {
     cout<<"-1"<<endl;
 }
 else if(sum1>sum2)
 cout<<"1"<<endl;
 else if(sum1==sum2)
 cout<<"2"<<endl;
 else
 {
    int score=1;
     int cha=sum2-sum1;
     if(sum1!=0)
    score+=cha/sum1+1;
    else
     score=-1;
   cout<<score<<endl;
 }
 
  // system("pause");
   return 0;
}

水题,唯一注意事项:当出现除法时,要考虑分母是否为0

B - Journey Planning CodeForces - 1321B

由于数据较大不可能穷举,而由题意可知当数与数间的距离为这两数之差时,这些数可以放到一起,所以同堆的数
-自身位置对应的下标一致。但减法后可能会是负下标,因此用map存。
#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
map <ll,ll> b;
int main()
{
    ll a[200010] = {0};
    
    int n;
    cin >> n;
    ll sum = 0;
    ll c;
    for (ll i = 1; i <= n; i++)
    {
        cin >> a[i];
        if(b.count(a[i]-i))
        b[a[i]-i]+=a[i];
        else
        {
             b[a[i]-i]=a[i];
        }
        
        sum=max(sum,b[a[i]-i]);
    }
    cout << sum << endl;
    //system("pause");
    return 0;
}

启示:当进行运算时要考虑可能的错误:加乘超界,减法出现负数,除法分母为0.

C - Remove Adjacent CodeForces - 1321C

分析可知,每次应删除最大的字母,这样可以使删除量最大化。暴力求解即可,利用string的erase去除元素,
枚举从串中最大字母开始删起到a结束。注意:如bba,第一个b只遍历一遍的话无法删除,因此应当对同一个多次
枚举清除(枚举100次,因为串最长100)。
改自https://www.cnblogs.com/GRedComeT/p/12442873.html
#include<bits/stdc++.h>
using namespace std;
void solve() {
    int n;
    string str;
    cin >> n >> str;
    int ans = 0;
    int maxx=0;
     for(int i = 0; i < str.size(); ++i) {
         maxx=max(maxx,str[i]-'a');
     }
    for(int k = maxx; k >= 0; --k) {
        for(int t = 0; t < 100; ++t) {
            for(int i = 0; i < str.size(); ++i) {
                if((str[i] - 'a' == k) && ((str[i-1] - 'a' == k-1) || (str[i+1] - 'a' == k-1))) {
                    ans++;
                    str.erase(i, 1);
                    i--;
                }
            }
        }
    }
    cout << ans;
}

int main() {
    solve();
    //system("pause");
    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