Bribing FIPA poj 3345 (map用法去重)

题目大意及思路:用最少的钱去收买m个国家,但国家这间有附属关系,如果收买了一个国家,它的附属国也被收买了,做法树形dp+背包,状态转移方程是:dp[u][k]=min(dp[u][k],dp[v][j]+dp[u][k-j]);

#include<stdio.h>
#include<string.h>
#include<map>
#include<vector>
#include<string>
using namespace std;

const int maxn=205;
const int INF=1000000000;
int n,m;
int tot;
int dp[maxn][maxn];
vector<int>g[maxn];
map<string,int>rl;
int pay[maxn];
char s[maxn];
bool vis[maxn];

void init()
{
	int i,j;
	tot=1;
	for(i=0;i<=n;i++)
		for(j=0;j<=n;j++)
			dp[i][j]=INF;
	for(i=0;i<=n;i++)
	{
		g[i].clear();
		dp[i][0]=0;
	}
	memset(vis,0,sizeof(vis));
	memset(pay,0,sizeof(pay));
	rl.clear();
}

int Min(int a,int b){
	if(a<b)return a;
	return b;
}

int TreeDp(int u)
{
	int i,j,k;
	int num=0;
	for(i=0;i<g[u].size();i++)
	{
		int v=g[u][i];
		int sum=TreeDp(v);
		num+=sum;
		for(j=maxn-1;j>=0;j--)
			for(k=0;k<=sum && k<=j ;k++)
			{
				dp[u][j]=Min(dp[u][j],dp[u][j-k]+dp[v][k]);
			}
	}
	num++;
	dp[u][num]=pay[u];
	return num;
}

int main()
{
	int i,j;
	int val;
	int v,u;
	char tmp[maxn];
	while(gets(tmp)!=NULL && tmp[0]!='#')
	{
		sscanf(tmp,"%d%d",&n,&m);
		init();	
		for(i=1;i<=n;i++)
		{
			scanf("%s%d",s,&val);
			if(rl.find(string(s))==rl.end())
				rl[string(s)]=tot++;
			u=rl[string(s)];
			pay[u]=val;
			while(getchar()!='\n')
			{
				scanf("%s",s);
				if(rl.find(string(s))==rl.end())
					rl[string(s)]=tot++;
				v=rl[string(s)];
				vis[v]=1;
				g[u].push_back(v);
			}
		}
//	puts("fffffffffff");
		for(i=1;i<=n;i++)
			if(!vis[i])
				g[0].push_back(i);
		TreeDp(0);
		int ans=INF;
		for(i=m;i<=n;i++)
			if(ans>dp[0][i])
				ans=dp[0][i];
		printf("%d\n",ans);
	}
	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