BZOJ 3673 可持久化并查集 by zky && 3674 可持久化并查集加强版

题目大意:维护一种数据结构实现可持久化并查集。


思路:利用可持久化线段树实现可持久化数组维护可持久化并查集。(不知道3674哪里加强了。。。


CODE:

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define RANGE 8000010
#define MAX 200200
using namespace std;
 
struct SegTree{
    SegTree *son[2];
    int val;
     
    void *operator new(size_t,SegTree *_,SegTree *__,int ___);
}mempool[RANGE],*C = mempool,*father[MAX],*h[MAX];
void *SegTree:: operator new(size_t,SegTree *_,SegTree *__,int ___) {
    C->son[0] = _;
    C->son[1] = __;
    C->val = ___;
    return C++;
}
 
int cnt,asks;
int verson[MAX],now_ver,latest;
int last_ans;
 
SegTree *Modify(SegTree *a,int l,int r,int x,int val)
{
    if(l == r)  return new(NULL,NULL,val)SegTree;
    int mid = (l + r) >> 1;
    if(x <= mid) return new(Modify(a->son[0],l,mid,x,val),a->son[1],0)SegTree;
    return new(a->son[0],Modify(a->son[1],mid + 1,r,x,val),0)SegTree;
}
 
int Ask(SegTree *a,int l,int r,int x)
{
    if(l == r)  return a->val;
    int mid = (l + r) >> 1;
    if(x <= mid) return Ask(a->son[0],l,mid,x);
    return Ask(a->son[1],mid + 1,r,x);
}
 
inline int Find(int x)
{
    int y;
    while(x)
        x = Ask(father[now_ver],1,cnt,y = x);
    return y;
}
 
inline void Unite(int x,int y)
{
    int fx = Find(x),fy = Find(y);
    if(fx == fy)    return ;
    ++latest;
    int hx = Ask(h[now_ver],1,cnt,fx);
    int hy = Ask(h[now_ver],1,cnt,fy);
    if(hx < hy)
        swap(x,y),swap(fx,fy),swap(hx,hy);
    father[latest] = Modify(father[now_ver],1,cnt,fy,fx);
    h[latest] = Modify(h[now_ver],1,cnt,fx,hx + hy);
    now_ver = latest;
}
 
inline bool Query(int x,int y)  
{  
    return Find(x) == Find(y);  
}  
 
int main()
{
    cin >> cnt >> asks;
    father[0] = new(C,C,0)SegTree;
    h[0] = new(C,C,1)SegTree;
    for(int flag,x,y,i = 1; i <= asks; ++i) {
        scanf("%d",&flag);
        if(flag == 1) {
            scanf("%d%d",&x,&y);
            x ^= last_ans,y ^= last_ans;
            Unite(x,y);
        }
        else if(flag == 2) {
            scanf("%d",&x);
            x ^= last_ans;
            now_ver = verson[x];
        }
        else {
            scanf("%d%d",&x,&y);
            x ^= last_ans,y ^= last_ans;
            printf("%d\n",last_ans = Query(x,y));
        }
        verson[i] = now_ver;
    }
    return 0;
}


  • 1
    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