Codeforces Round #574 (Div. 2)前五题

​​http://codeforces.com/contest/1195

 

A. Drinks Choosing

题目: n个人,k种饮料,第i个人想喝第a_i种饮料。提供任意饮料套餐,一个饮料套餐必定含有相同的两份饮料。取ceil(n/2)份饮料套餐,问最多有多少人能喝到自己想喝的饮料

 

对a数组排序后,统计有多少对(k,k)相同数字可以喝同一份套餐,记为cnt1,其余不能组成对的数字个数为n-cnt1*2,最后答案是cnt1*2+ceil((n-cnt1*2)/2)

 

B. Sport Mafia

题目:Alya做n次行动,每次行动要么往箱子里放糖果,要么吃掉箱子里1颗糖果。当放糖果时,第一次放一个,第二次放两个....,Alya做完n次行动后,最后箱子里剩k个糖果,问Alya吃了多少个糖果

 

设Alya放了x次糖果,吃了y颗糖果

x+y=n

x(x+1)/2-y=k

 

解方程即可

x = (-3+sqrt(9+8(n+k)))/2

y = n-x

 

C. Basketball Exercise

题目:有两行人,给出了他们的身高h1,1,h1,2,…,h1,n 和h2,1,h2,2,…,h2,n,现在要组成一个篮球队,使得身高总数最大,且满足在同一行的人不相邻

 

dp[i][0]表示第i列不选取任何人时的最大总和

dp[i][1]表示第i列选取第1行人时的最大总和

dp[i][2]表示第i列选取第2行人时的最大总和

 

dp[i][0]=max(dp[i-1][0],dp[i-1][1],dp[i-1][2])

dp[i][1]=max(dp[i-1][0],dp[i-1][2])+h1,i

dp[i][2]=max(dp[i-1][0],dp[i-1][1])+h2,i

 

 

D. Submarine in the Rybinsk Sea

 

题目:f函数会将他两个参数数字逐位交叉,例如

f(1111,2222)=12121212 

f(7777,888)=7787878 

f(33,44444)=4443434 

f(555,6)=5556 

f(111,2222)=2121212

给出n个数字,求他们两两进行f运算后的总和∑ni=1∑nj=1f(ai,aj) modulo 998244353.

 

 

D1题限制所有数字ai都有相同位数,也就是都是k位数。

对于一个数字,例如12345,它会被分拆为102030405和1020304050与其他数字组合,所以在最后求和时,提供了总量1122334455*n的总量。遍历每个数字ai,将f(ai,ai)*n加入总和即可

 

D2题去除了限制。

那么首先需要统计cnt[i]表示i位数的数字有多少个。cnt[i>k]表示大于k位的数字有多少个。

对于一个数字,例如12345,逐位分拆数字

考虑12345拆为1234和5时,与个位数结合时,提供123450*cnt[1]的总量以及123405*cnt[1]的总量。与其他数字结合,提供50*cnt[i>1]+5*cnt[i>1]的总量。

考虑1234拆为123和4时,与十位数结合,提供1234000*cnt[2]以及1230400*cnt[2]的总量。与其他数字结合提供400*cnt[i>2]+4000*cnt[i>2]的总量。

以此类推

  • 1
    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