poj 3254 状态压缩(种草)

题意:给出一个矩形,在1的格子中可以种草(也可以不种),在0的格子中不能种。要求草不能相邻(左右、上下)存在,问给出的情况有多少种种草的方法

思路:状态压缩。每种情况用一个整数表示,每一位表示一个位置。

写法一:直接dp[12][1<<12]的状态压缩。

写法二:按照炮兵阵地那题的思路,先筛一遍一排能放的方案,将对应的数字保存下来。

写法一:

#include <stdio.h>
#include <string.h>
#define N 12
int dp[N][1<<(N+1)],t[N];
int n,m,M;
int testfirstline(int x){
	int i;
	if((t[0]|x)^t[0])
		return 0;
	for(i = 0;i<m;i++)
		if(x & (1<<i)){
			if((x&(1<<(i+1))))
				return 0;
			i++;
		}
	return 1;
}
int test(int row,int x,int y){
	//row是行号,用于判断是否有0的地方填入1
	int i;
	if((t[row] | y)^t[row])
		return 0;
	if(x&y)//判断有无上下相邻情况
		return 0;
	for(i = 0;i<m;i++)//判断有无左右相邻情况
		if(y & (1<<i)){
			if((y&(1<<(i+1))))
				return 0;
			i++;
		}
	return 1;
}
int main(){
	freopen("a.txt","r",stdin);
	while(scanf("%d %d",&n,&m)!=EOF){
		int i,j,k,res = 0;
		memset(dp,0,sizeof(dp));
		memset(t,0,sizeof(t));
		for(i = 0;i<n;i++)//将草地的情况每一行存成一个数
			for(j = 0;j<m;j++){
				t[i] <<= 1;
				scanf("%d",&k);
				t[i] += k;
			}
		M = 1<<m;
		for(i = 0;i<M;i++)
			if(testfirstline(i))
				dp[0][i] = 1;
		for(i = 1;i<n;i++)
			for(j = 0;j<M;j++)
				for(k = 0;k<M;k++)
					if(test(i,k,j))
						dp[i][j] += dp[i-1][k];
		for(i = 0;i<M;i++){
			res += dp[n-1][i];
			res %= 100000000;
		}
		printf("%d\n",res);
	}
	return 0;
}


写法二:

#include <cstdio>
#define N (1<<12)+5
int n,m;
int dp[13][N],state[N],top,s[13];
bool test(int x){
    for(int i = 0;x;i++){
        if(x&1){
            if(x&2)
                return false;
            x>>=2;
        }else
            x>>=1;
    }
    return true;
}
void dfs(int x){
    int end = 1<<x;
    for(int i = 0;i<end;i++)
        if(test(i))
            state[top++] = i;
}
int main(){
    while(scanf("%d %d",&n,&m) != EOF){
        top = 0;
        for(int i = 0;i<n;i++){
            int tmp = 0,d;
            for(int j = 0;j<m;j++){
                scanf("%d",&d);
                tmp <<= 1;
                tmp |= (1-d);
            }
            s[i] = tmp;
        }
        dfs(m);
        for(int i = 0;i<top;i++)
            if(state[i] & s[0])
                dp[0][i] = 0;
            else
                dp[0][i] = 1;
        for(int i = 1;i<n;i++)
            for(int j = 0;j<top;j++){
                dp[i][j] = 0;
                if(state[j] & s[i])
                    continue;
                for(int k = 0;k<top;k++)
                    if(!(state[j] & state[k])){
                        dp[i][j] += dp[i-1][k];
                        dp[i][j] %= 100000000;
                    }
            }
        int res = 0;
        for(int i = 0;i<top;i++){
            res += dp[n-1][i];
            res %= 100000000;
        }
        printf("%d\n",res);
    }
    return 0;
}


  • 0
    点赞
  • 1
    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