解题报告_18.5.26_POJ_2031_0

转载自:https://blog.csdn.net/lyy289065406/article/details/6648583

#include<iostream>  
#include<cmath>  
#include<iomanip>  
using namespace std;  
  
const double inf=1000.0;  
const double eps=1e-10;  
  
typedef class  
{  
    public:  
        double x,y,z;  
        double r;  
}point;  
  
/*Discuss Precision*/  
  
int EPS(double k)  
{  
    if(fabs(k)<eps)  
        return 0;  
    return k>0?1:-1;  
}  
  
/*AB之间的距离(权值)*/  
  
double dist(point A,point B)  
{  
    return sqrt((A.x-B.x)*(A.x-B.x)+(A.y-B.y)*(A.y-B.y)+(A.z-B.z)*(A.z-B.z))-A.r-B.r;  
}                        //AB距离是以球面为基准,而不是球心,因此要减去A球和B球的半径  
  
int main(int i,int j)  
{  
    int n;  
    while(cin>>n)  
    {  
        if(n<=0)  
            break;  
  
        /*Initial*/  
  
        point* node=new point[n+1];  
  
        double w[101][101];  
        for(i=1;i<=n;i++)  
            for(j=1;j<=n;j++)  
                w[i][j]=inf;  
  
        /*Input*/  
  
        for(i=1;i<=n;i++)  
            cin>>node[i].x>>node[i].y>>node[i].z>>node[i].r;  
  
        for(i=1;i<=n-1;i++)  
            for(j=i+1;j<=n;j++)  
            {  
                double temp=dist(node[i],node[j]);  
                if(EPS(temp)<=0)  
                    w[i][j]=w[j][i]=0;  //两个球接触(相交),则距离(权值)为0  
                else  
                    w[i][j]=w[j][i]=temp;  
            }  
  
        /*Prim Algorithm*/  
  
        bool vist[101]={false};  
        int s=1;  
        vist[s]=true;  
        int fi;  
        double sum_w=0.0;  
        for(int count=1;count<n;count++)  
        {  
            double min=inf;  
  
            for(i=2;i<=n;i++)  
                if(!vist[i])  
                    if(min>w[s][i])  
                    {  
                        min=w[s][i];  
                        fi=i;  
                    }  
  
            sum_w+=w[s][fi];  
            vist[fi]=true;  
  
            for(i=2;i<=n;i++)   //新源点s'继承最新合并进来的fi的性质  
                if(!vist[i])    //以fi到其他点的更短路 取代旧源点s到其他点的权值  
                    if(w[s][i]>w[fi][i])  
                        w[s][i]=w[fi][i];  
        }  
  
        cout<<fixed<<setprecision(3)<<sum_w<<endl;  
  
        /*Relax*/  
  
        delete node;  
    }  
    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
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