【南阳OJ 108】士兵杀敌(一)(线段树求和)

士兵杀敌(一)

时间限制: 1000 ms  |  内存限制: 65535 KB
难度: 3
描述

南将军手下有N个士兵,分别编号1到N,这些士兵的杀敌数都是已知的。

小工是南将军手下的军师,南将军现在想知道第m号到第n号士兵的总杀敌数,请你帮助小工来回答南将军吧。

注意,南将军可能会问很多次问题。

输入
只有一组测试数据
第一行是两个整数N,M,其中N表示士兵的个数(1<N<1000000),M表示南将军询问的次数(1<M<100000)
随后的一行是N个整数,ai表示第i号士兵杀敌数目。(0<=ai<=100)
随后的M行每行有两个整数m,n,表示南将军想知道第m号到第n号士兵的总杀敌数(1<=m,n<=N)。
输出
对于每一个询问,输出总杀敌数
每个输出占一行
样例输入
5 2
1 2 3 4 5
1 3
2 4

样例输出

6
9

代码

#include<cstdio>
#include<algorithm>
#include<cstring>
using namespace std;
struct node
{
	int o,l,r,sum;
}a[1000005*4];
void UpDate(int o)   //根据规律,左孩子的序号等于父节点的乘以2,右孩子的等于父节点的乘以2加1; 
{
	a[o].sum=a[o*2].sum+a[o*2+1].sum;
}
void Build(int o,int l,int r)  //建树 
{
	a[o].l=l;   //一定要记得初始赋值 
	a[o].r=r;
	if(l==r)    //表示是一棵树最下面一层的点,进行存值  递归结束 
	{
		int t;
		scanf("%d",&t);
		a[o].sum=t;
		return ;
	}
	int mid=(l+r)/2;	
    Build(o*2,l,mid);  //建左子树 
    Build(o*2+1,mid+1,r);  //建右子树 
	UpDate(o);	//更新sum值 
}
int QuerySum(int o,int l,int r,int x,int y) //查找从x到y的和 
{
	if(l==x&&r==y)   //表示恰好是当前点,直接取 
	   return a[o].sum;
	int mid=(l+r)/2;
    if(y<=mid)  //在左半边 
	   return QuerySum(o*2,l,mid,x,y);
	else if(x>mid)  //右半边
	   return QuerySum(o*2+1,mid+1,r,x,y);
	else            //一半在左,一半在右 
	   return QuerySum(o*2,l,mid,x,mid)+QuerySum(o*2+1,mid+1,r,mid+1,y);
}
int main()
{
	int N,M;
	while(~scanf("%d%d",&N,&M))
	{
		Build(1,1,N);  //建树要放在while(M--)外面,否则第二组数据就出不来了? 
		while(M--)
		{
			int m,n;
			scanf("%d%d",&m,&n);
			printf("%d\n",QuerySum(1,1,N,m,n));
		}
    }
	return 0;
}



  • 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