hdu 4604 Deque

题目


枚举每一个点,对于a[i]找出n~i中的最长非升非降的子序列,用nlogn的方法可以得到两个数组(b1,b2),对于b1的元素个数便是最长非降序列的个数,但b1的元素不是最长子序列的元素,他存的是对应LIS长度的最小末尾,他肯定是有序的,所以我们接下来的进deque是对它操作。

在这两个数组中找到a[i]的次数,这两个数组因为都可以看成单调的,所以可以数组的两头开始找a[i],得到一个起始下标,一个终点下标,那么在此序列中a[i]的次数(t-s+1),当然你也可以用二分在序列中找a[i]的次数,二分快些,最后取二者的min。

#include<stdio.h>
#include<map>
#include<string.h>
#include<algorithm>
using namespace std;
#define N 100010

int t,n,a[N],b1[N],b2[N],len1,len2,p,c1,c2;
inline int input()
{
    bool IsN=0;
    int ret=0;
    char c;
    c=getchar();
    while(c<'0'||c>'9')
    {
        if(c=='-') IsN=1;
        c=getchar();
    }
    while(c>='0'&&c<='9')
    {
        ret=ret*10+c-'0';
        c=getchar();
    }
    return IsN?-ret:ret;
}

//非递减序列的二分
inline int erfen(int s,int t,int v)
{
    int m;
    while(s<=t)
    {
        m=(s+t)>>1;
        if(b1[m]<=v) s=m+1;
        else t=m-1;
    }
    return s;
}
//在二分得到的非递减序列的b1中找a[i]的次数,注意b1不是整个数组的非递减序列
inline int er(int s,int t,int v)
{
    if(b1[s]==v&&b1[t]==v)
    {
        return t-s+1;
    }
    if(s>=t) return 0;
    int m=(s+t)>>1;
    if(b1[m]==v) return er(s,m-1,v)+er(m+1,t,v)+1;
    if(b1[m]>v) return er(s,m-1,v);
    if(b1[m]<v) return er(m+1,t,v);
}
//非递增序列的二分
inline int erfen1(int s,int t,int v)
{
    int m;
    while(s<=t)
    {
        m=(s+t)>>1;
        if(b2[m]>=v) s=m+1;
        else t=m-1;
    }
    return s;
}
//在二分得到的非递增序列的b2中找a[i]的次数
inline int er1(int s,int t,int v)
{


    if(b2[s]==v&&b2[t]==v) return t-s+1;if(s>=t) return 0;
    int m=(s+t)>>1;
    if(b2[m]==v) return er1(s,m-1,v)+er1(m+1,t,v)+1;
    if(b2[m]<v) return er1(s,m-1,v);
    if(b2[m]>v) return er1(m+1,t,v);
}
int main()
{
    t=input();
    while(t--)
    {
        int ans=0;
        len1=len2=0;
        b1[0]=-100000000;
        b2[0]=100000000;
        int b_1,b_2;
        n=input();
        for(int i=1;i<=n;i++)
        {
            a[i]=input();
        }

        for(int i=n;i>=1;i--)
        {
            c1=0,c2=0;
            if(a[i]>=b1[len1])
            {
                len1++;
                p=len1;
            }
            else
            {
                p=erfen(1,len1,a[i]);
            }
            b1[p]=a[i];
            c1=er(1,len1,a[i]);
            b_1=p;
            if(a[i]<=b2[len2])
            {
                len2++;
                p=len2;
            }
            else
            {
                p=erfen1(1,len2,a[i]);
            }
            b2[p]=a[i];
            c2=er1(1,len2,a[i]);
            b_2=p;
            ans=max(ans,b_1+b_2-min(c1,c2));//减去2个序列中重复的a[i]
        }
        printf("%d\n",ans);
    }
    return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 16
    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 16
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