HDU4082Hou Yi's secret

参考博客:

https://blog.csdn.net/bigbigship/article/details/44516115

这题看到别人的题解真的坑点蛮多的,自己第一次遇到,比如考察重复点的问题,考虑是否能构成一个三角形,还有判断相似的时候把除法移项为乘法后还需要考察精度问题(虽然不知道为什么是1e-8,可能比较吉利吧。。),这是因为在计算三角形的边长时sqrt开方会有浮点误差。

还有,网上有说在判断相似的时候用角度判断的,也有说用边长判断的,个人感觉用边长判断误差可能小一点。三条边排个序再一一对应成比例就可以了。

 

也许我这种菜逼就应该记住枚举点的格式吧。。。

//Hou Yi's secret
#include<stdio.h>
#include<string.h>
#include<math.h>
#include<algorithm>
using namespace std;
#define MAXN 20
#define eps 1e-8

struct Tri
{
    double L[4];//三条边,便于排序
}T[MAXN*MAXN*MAXN];//三角形整体

int X[MAXN],Y[MAXN];

bool Judge(int i,int j,int k)
{
    if((X[i]-X[j])*(Y[k]-Y[j])==(X[k]-X[j])*(Y[i]-Y[j]))//三点共线
        return false;
    else
        return true;
}

double Line(int a,int b)//求三条边长
{
    return sqrt((X[a]-X[b])*(X[a]-X[b])+(Y[a]-Y[b])*(Y[a]-Y[b]));
}

bool Similar(int a,int b)
{
    if(fabs(T[a].L[1]*T[b].L[2]-T[b].L[1]*T[a].L[2])<=eps&&fabs(T[a].L[2]*T[b].L[3]-T[a].L[3]*T[b].L[2])<=eps&&fabs(T[a].L[1]*T[b].L[3]-T[a].L[3]*T[b].L[1])<=eps)
        return true;
    else
        return false;
}

int main()
{
    int i,j,k;
    int N;
    int cnt,ans,temp;

    while(scanf("%d",&N)&&N)
    {
        memset(X,0,sizeof(X));
        memset(Y,0,sizeof(Y));
        for(i=1;i<=N;i++)
        {
            scanf("%d%d",&X[i],&Y[i]);
            for(j=1;j<i;j++)//判断并排除重点
            {
                if(X[j]==X[i]&&Y[j]==Y[i])//前面已经排查了重点,所以全是不相同的点
                {
                    i--;
                    N--;
                    break;
                }
            }
        }
        if(N<3)
        {
            printf("%d\n",0);
            continue;
        }
        cnt=0;
        for(i=1;i<=N;i++)//建立三角形,用枚举三个点
        {
            for(j=i+1;j<=N;j++)
            {
                for(k=j+1;k<=N;k++)
                {
                    if(Judge(i,j,k))//先判断是否能够构成三角形,即是否共线
                    {
                        T[++cnt].L[1]=Line(i,j);//求三条边长
                        T[cnt].L[2]=Line(i,k);
                        T[cnt].L[3]=Line(j,k);
                        sort(T[cnt].L+1,T[cnt].L+1+3);//从小到大
                    }
                }
            }
        }
        ans=0;
        temp=cnt;
        for(i=1;i<=temp;i++)//判断是否相似
        {
            cnt=1;
            for(j=i+1;j<=temp;j++)
                if(Similar(i,j))
                    cnt++;
            ans=max(ans,cnt);
        }
        printf("%d\n",ans);
    }
    return 0;
}

 

  • 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