【POJ 1151】 Altlantis

【题目链接】

           点击打开链接

【算法】

        线段树扫描线

        推荐一篇比较容易理解的线段树扫描线的文章 : https://blog.csdn.net/u013480600/article/details/22548393

【代码】

           注意此题输出格式若使用"%.2lf"会离奇Wrong Answer,要改为"%.2f"

          

#include <algorithm>
#include <bitset>
#include <cctype>
#include <cerrno>
#include <clocale>
#include <cmath>
#include <complex>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <ctime>
#include <deque>
#include <exception>
#include <fstream>
#include <functional>
#include <limits>
#include <list>
#include <map>
#include <iomanip>
#include <ios>
#include <iosfwd>
#include <iostream>
#include <istream>
#include <ostream>
#include <queue>
#include <set>
#include <sstream>
#include <stdexcept>
#include <streambuf>
#include <string>
#include <utility>
#include <vector>
#include <cwchar>
#include <cwctype>
#include <stack>
#include <limits.h>
using namespace std;
#define MAXN 110

int i,n,l1,l2,l,L,R,TC;
double xa,ya,xb,yb,area;
double a[MAXN*2],x[MAXN*2],arr[MAXN*2];

struct info {
		double l,r,h,opt;
} y[MAXN*2];

struct SegmentTree {
		struct Node {
				int l,r,c;
				double m;
		} Tree[MAXN*4];
		inline void build(int index,int l,int r) {
				int mid;
				Tree[index].l = l;
				Tree[index].r = r;
				Tree[index].m = 0.0;
				Tree[index].c = 0;
				if (l == r) return;
				mid = (l + r) >> 1;
				build(index<<1,l,mid);
				build(index<<1|1,mid+1,r);
		}
		inline void update(int index) {
				if (Tree[index].c > 0) Tree[index].m = arr[Tree[index].r+1] - arr[Tree[index].l];
				else if (Tree[index].l == Tree[index].r) Tree[index].m = 0;
				else Tree[index].m = Tree[index<<1].m + Tree[index<<1|1].m;
		}
		inline void add(int index,int l,int r,int val) {
				int mid;
				if (Tree[index].l == l && Tree[index].r == r) {
						Tree[index].c += val;
						update(index);
						return;
				}
				mid = (Tree[index].l + Tree[index].r) >> 1;
				if (mid >= r) add(index<<1,l,r,val);
				else if (mid + 1 <= l) add(index<<1|1,l,r,val);
				else {
						add(index<<1,l,mid,val);
						add(index<<1|1,mid+1,r,val);
				}
				update(index);
		}
		inline double query() {
				return Tree[1].m;
		}
} T;

bool cmp(info a,info b) { return a.h > b.h; }

int main() {
		
		while (scanf("%d",&n) != EOF && n) {
				l = l1 = l2 = 0;
				for (i = 1; i <= n; i++) {
						scanf("%lf%lf%lf%lf",&xa,&ya,&xb,&yb);
						x[++l1] = xa;
						x[++l1] = xb;
						y[++l2] = (info){xa,xb,ya,-1};
						y[++l2] = (info){xa,xb,yb,1};
				}	
				sort(x+1,x+l1+1);
				x[0] = -1;
				for (i = 1; i <= l1; i++) {
						if (x[i] != x[i-1])
								arr[++l] = x[i];
				}
				T.build(1,1,l-1);
				sort(y+1,y+l2+1,cmp);
				area = 0.0;
				for (i = 1; i < l2; i++) {
						L = lower_bound(arr+1,arr+l+1,y[i].l) - arr;
						R = lower_bound(arr+1,arr+l+1,y[i].r) - arr - 1;
						T.add(1,L,R,y[i].opt);
						area += T.query() * (y[i].h - y[i+1].h);
				}
				printf("Test case #%d\nTotal explored area: %.2f\n\n",++TC,area);
		}
		
		return 0;
	
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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