【luogu P3258 [JLOI2014]松鼠的新家】 题解

题目链接:https://www.luogu.org/problemnew/show/P3258

谁说树剖过不去会RE呢?

我今天就是要强行树剖了

树剖强艹

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define ll long long
using namespace std;
const int maxn = 500010;
ll ans[maxn], son[maxn], deep[maxn], size[maxn], fa[maxn], top[maxn], seg[maxn], num, n, m, path[maxn];
struct edge{
    ll to, next;
}e[maxn<<2];
ll head[maxn], cnt;
void add(ll u, ll v)
{
    e[++cnt].to = v; e[cnt].next = head[u]; head[u] = cnt;
    e[++cnt].to = u; e[cnt].next = head[v]; head[v] = cnt;
}
class Segment_Tree{
    public:
        #define lson l, mid, rt<<1
        #define rson mid+1, r, rt<<1|1
        ll tree[maxn<<2], lazy[maxn<<2];
        void build(ll l, ll r, ll rt)
        {
            if(l == r)
            {
                tree[rt] = 0;
                return;
            }
            ll mid = (l + r) >> 1;
            build(lson);
            build(rson);
            PushUP(rt);
        }
        void update(ll left, ll right, ll add, ll l, ll r, ll rt)
        {
            if(left <= l && right >= r)
            {
                lazy[rt] += add;
                tree[rt] += (r - l + 1) * add;
                return;
            }
            ll mid = (l + r) >> 1;
            PushDOWN(l, r, rt);
            if(left <= mid) update(left, right, add, lson);
            if(right > mid) update(left, right, add, rson);
            PushUP(rt);
        }
        ll query(ll left, ll right, ll l, ll r, ll rt)
        {
            ll res = 0;
            if(left <= l && right >= r)
            {
                return tree[rt];
            }
            ll mid = (l + r) >> 1;
            PushDOWN(l, r, rt);
            if(left <= mid) res += query(left, right, lson);
            if(right > mid) res += query(left, right, rson);
            return res;
        }
    private:
        void PushUP(ll rt)
        {
            tree[rt] = tree[rt<<1] + tree[rt<<1|1];
        }
        void PushDOWN(ll l, ll r, ll rt)
        {
            ll mid = (l + r) >> 1;
            if(lazy[rt])
            {
                lazy[rt<<1] += lazy[rt];
                lazy[rt<<1|1] += lazy[rt];
                tree[rt<<1] += (mid-l+1)*lazy[rt];
                tree[rt<<1|1] += (r-mid)*lazy[rt];
                lazy[rt] = 0;
            }
        }
}T;
void dfs1(ll u, ll f, ll d)
{
    ll maxson = -1;
    size[u] = 1;
    deep[u] = d;
    fa[u] = f;
    for(ll i = head[u]; i != -1; i = e[i].next)
    {
        ll v = e[i].to;
        if(f != v)
        {
            dfs1(v, u, d+1);
            size[u] += size[v];
            if(size[v] > maxson) son[u] = v, maxson = size[v];
        }
    }
}
void dfs2(ll u, ll t)
{
    seg[u] = ++num;
    top[u] = t;
    if(!son[u]) return;
    dfs2(son[u], t);
    for(ll i = head[u]; i != -1; i = e[i].next)
    {
        ll v = e[i].to;
        if(v == son[u] || v == fa[u]) continue;
        dfs2(v, v);
    }
}
ll LCA(ll x, ll y)
{
    while(top[x] != top[y])
    {
        if(deep[top[x]] < deep[top[y]]) swap(x, y);
        x = fa[top[x]];
    }
    return deep[x] < deep[y] ? x : y;
}
ll Qson(ll x)
{
    ll res = 0;
    res += T.query(seg[x], seg[x]+size[x]-1, 1, n, 1);
    return res;
}
void Updson(ll x, ll y)
{
    T.update(seg[x], seg[x]+size[x]-1, y, 1, n, 1);
}
ll Qrange(ll x, ll y)
{
    ll res = 0;
    while(top[x] != top[y])
    {
        if(deep[top[x]] < deep[top[y]]) swap(x, y);
        res += T.query(seg[top[x]], seg[x], 1, n, 1);
        x = fa[top[x]];
    }
    if(deep[x] < deep[y]) swap(x, y);
    res += T.query(seg[y], seg[x], 1, n, 1);
    return res;
}
void Updrange(ll x, ll y, ll z)
{
    while(top[x] != top[y])
    {
        if(deep[top[x]] < deep[top[y]]) swap(x, y);
        T.update(seg[top[x]], seg[x], z, 1, n, 1);
        x = fa[top[x]];
    }
    if(deep[x] < deep[y]) swap(x, y);
    T.update(seg[y], seg[x], z, 1, n, 1);
}
int main()
{
    memset(head, -1, sizeof(head));
    scanf("%lld%lld",&n,&path[1]);
    for(ll i = 2; i <= n; i++)
    {
        scanf("%lld",&path[i]);
        ans[path[i]]--;
    }
    for(ll i = 1; i <= n-1; i++)
    {
        ll u, v;
        scanf("%lld%lld",&u,&v);
        add(u, v);
    }
    dfs1(1, 0, 1); dfs2(1, 1);
    T.build(1, n, 1);
    for(ll i = 2; i <= n; i++)
    {
        Updrange(path[i], path[i-1], 1);
    }
    for(ll i = 1; i <= n; i++) ans[i] += Qrange(i, i);
    for(ll i = 1; i <= n; i++)
    {
        printf("%lld\n",ans[i]);
    }
    return 0;
}

转载于:https://www.cnblogs.com/MisakaAzusa/p/9877301.html

  • 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