Codeforces Round #735 (Div. 2)

https://codeforces.com/contest/1554

A. Cherry

枚举相邻两个乘积即可。

#include <bits/stdc++.h>
using namespace std;

int n,k;
long long a[100005];

void solve()
{
	scanf("%d",&n)	;
	for (int i=1; i<=n; i++) {
		scanf("%lld",&a[i]);
	}
	long long ans=-1;
	for (int i=1; i<n; i++) {
		ans=max(ans,a[i]*a[i+1]);
	}
	printf("%lld\n",ans);
}


int main()
{
	int ttt;
	scanf("%d",&ttt);
	while (ttt--) {
		solve();
	}
	return 0;
}
 

B. Cobb

因为 k 很小,所以 i,j 应该大一点才有可能是答案。枚举大一点的 i,j 即可。

#include <bits/stdc++.h>
using namespace std;

int n,k;
long long a[100005];

void solve()
{
	scanf("%d%d",&n,&k)	;
	for (int i=1; i<=n; i++) {
		scanf("%lld",&a[i]);
	}
	long long ans=2-k*(a[1]|a[2]);
	
	// i*j >= n*(n-2*k-1)
	for (long long i=max(1,n-2*k-1); i<=n; i++) {
		long long mj=max(i+1,n*(n-2*k-1)/i-5);
		for (long long j=n; j>=mj; j--) {
			ans=max(ans,i*j-k*(a[i]|a[j]));
		}
	}
	
	/*
	for (long long i=n,ii=0; ii<3000 && i>0; ii++,i--) {
		for (long long j=i+1; j<=n; j++) {
			ans=max(ans,i*j-k*(a[i]|a[j]));
		}
	}
	*/
	printf("%lld\n",ans);
}


int main()
{
	int ttt;
	scanf("%d",&ttt);
	while (ttt--) {
		solve();
	}
	return 0;
}
 

C. Mikasa

我这里有两种做法。
第一种是类似树状数组那样分段。我们要求的是 0~m 模 n 的所有值,那么会发现,像 xxx00..0~xxx11..1 这样一个连续区间,模完 n 后所得的集合也是一个连续的区间(前缀相同,后缀是全排列)。那么分出多个这样的连续区间,就变成一个线段覆盖,求最小的没被覆盖到的数的问题了。

#include <bits/stdc++.h>
using namespace std;

long long n,m;

inline long long lowbit(long long x)
{
	return x&(-x);
}

struct node {
	long long l, r;
	node(long long ll, long long rr): l(ll),r(rr) {}
	bool operator< (const node& B) const
	{
		return l==B.l ? r<B.r : l<B.l;
	}
};

void solve()
{
	vector<node> Q;
	scanf("%lld%lld",&n,&m);
	
	if (m<n) {
		puts("0");
		return;
	}
	if (n==0 && m==0) {
		puts("1");
		return;
	}
	if (n==0) {
		printf("%lld\n",m+1);
		return;
	}
	
	while (m>0) {
		long long L,R,LL,RR;
		L=m+1-lowbit(m+1);
		R=m;
		
		if (L!=R) {
			LL=(~(L^R))&(L^n);
			RR=((~(L^R))&(L^n))+(R-L);
		}
		else {
			LL=RR=L^n;
		}
		
		Q.push_back(node(LL,RR));

		m-=lowbit(m+1);
		//printf("[%lld %lld]  (%lld %lld)\n",L,R,LL,RR);
	}
	
	sort(Q.begin(),Q.end());
	int N=Q.size();
	int p=0;
	long long ans=0;
	while (1) {
		while (p<N && Q[p].r<ans)
			p++;
		if (p>=N || Q[p].l>ans) {
			printf("%lld\n",ans);
			return;
		}
		ans=Q[p].r+1;
	}
}


int main()
{
	int ttt;
	scanf("%d",&ttt);
	while (ttt--) {
		solve();
	}
	return 0;
}

另一种解法,就是要找最小的数异或 n 之后大于 m 。

#include <bits/stdc++.h>
using namespace std;


void solve()
{
	int n,m;
	int ans=2147483647;
	scanf("%d%d",&n,&m);
	
	for (int i=35,tmp; i>=0; i--) {
		tmp=((n^m)>>i)<<i;
		tmp^=(1ll<<i);
		
		if ((tmp^n)>m) {
			ans=min(ans,tmp);
		}
	}
	
	printf("%d\n",ans);
}


int main()
{
	int ttt;
	scanf("%d",&ttt);
	while (ttt--) {
		solve();
	}
	return 0;
}
 

D. Diane

唬人的题……看代码就懂了。

#include <bits/stdc++.h>
using namespace std;


void solve()
{
	int n;
	scanf("%d",&n);
	
	
	if (n<=6) {
		for (int i=0; i<n; i++) printf("%c",'a'+i);
		puts("");
		return;
	}
	
	int tmp=n/2;
	for (int i=1; i<=tmp; i++) printf("a");
	printf("b");
	for (int i=1; i<tmp; i++) printf("a");
	if (n%2==1) printf("c");
	puts("");
}


int main()
{
	int ttt;
	scanf("%d",&ttt);
	while (ttt--) {
		solve();
	}
	return 0;
}

E. You

  • 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