HDU 5414 CRB and String( 2015 Multi-University Training Contest 10)



比赛时队友有想法了我就一直在出数据了。
然而那个想法是错的。到快结束的时候才验证了是错的。
都怪自己太懒,没有验证正确性就盲目地同意队友写,然后两个人越改越乱,要多思考啊。



然后比赛快结束的时候我想到了新的解法。就是从后往前匹配。然而就是再给半个小时也做不出来,因为少考虑了一些情况。



题意:给出两个串s,t……现在需要在s的任意字符x后面添加一个字符y(y≠x),问s有没有办法变成t。

思路:

1、把s串作为基准,把t从后往前匹配。

2、上一步有一个遗漏,那就是没有判断第一个字符,最前面的加字符操作一定是在第一个字符之后,所以s和t的第一个字符必须相同。

3、解释一下第一步中为什么如果出现多个x,和最后一个x匹配是最优的呢,假如s是abx,t是abbx,那么新加入的这个b肯定是要放在a之后加进去的,如果新加入的这个b放在原来b之后,那么就会匹配失败啦~然后现在第二步之后(噢现在是10:43)也就是s中的第一个字符和t中的第一个字符匹配,其余的不变 。

4、但是如果s 是 aaa,t是aaabaaa,那就不对了。(啊我真的好跳啊是不是有多动症)也就是说第一个字符必须s和t相同的,特例必须推广到s和t相同并且该字符在s中和第一个字符相同的所有情况。然后就可以过了。(替啦这题解写得我自己都看不下去了语文水平太弱了TAT)



注意事项:

1、据说memset比for快。也就是用时:for整个数组 > memset整个数组 > for n+3 > memset n+3, 但是用最快的memset n+3 如果你傻逼了就会莫名wa。这次就是先memset整个数组了,然后是T了,改成memset n+5 才变成wa

2、数据怎么想出来的呢?首先原来的做法问题出在第一个字符上,那么第一个字符问题解决了之后会不会对第一个字符紧接着的第二个字符有影响呢?如果第二个字符和第一个相同或者不同,会有哪些影响呢?改策略的时候,要考虑与之相关的所有情况。


以下是代码。


#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define SIZE_N 100005
using namespace std;
char s[SIZE_N],t[SIZE_N];
int markt[SIZE_N];//,markss[SIZE_N];
int main()
{
    int T;
    scanf("%d",&T);
    while (T--){
        scanf("%s",s);
        scanf("%s",t);

        int suc = 1;
        int lenss,lentt;

        for (lenss = 0; s[lenss]; lenss++);
        for (lentt = 0; t[lentt]; lentt++);

        //memset(markss,0,sizeof(int) * (lenss+ 5));
        memset(markt,0,sizeof(int) * (lentt+5));//第一次交t了,改一下memset。826的934再交一发
        //果然只用372ms了……这道题时间卡的好紧啊……memset都能T了一次
        int j = lentt - 1;
        if (t[0]!= s[0]|| lenss > lentt){
            suc = 0;
        }else{
            int nows = 0;
            for (int i = 0; i < lentt; i++)//改一下第一个元素的处理。再交第n+1次。10:55
                if (t[i] == t[0]){
                    if (t[i] == s[nows]){
                        markt[i] = 1;
                        nows++;
                    }else{
                        suc = 0;
                        break;
                    }
                }else{
                    break;
                }
            for (int i = lenss - 1; i >= 0; i--){
                while ( j >= 0 && t[j] != s[i]){
                    j--;
                }
                if (j < 0){
                    suc = 0;
                    break;
                }
                if (i >= nows)
                markt[j] = 1;
                j--;//避免同样的元素被重复标记
            }
        }
        if (suc != 1){
            puts("No");
        }else{
            puts("Yes");
        }
    }
    return 0;
}
//我知道这种做法错在哪了!aaa和aaabaaa。就会匹配后两个a和第一个a
//还有一组样例就是aaa和aaaabaaa。





  • 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