微软编程之美2013全国挑战赛 复赛 第2题

#include<iostream>//微软编程之美2013全国挑战赛复赛第2题        
//由于比赛结束后,提交入口关闭,没来得及提交,但本地数据测试是没错的,不知道能否AC
#include<fstream>
#include<iomanip>
using namespace std;

struct yingxiangli{
	int d1,d2,d3,d4;
	double the_larger;
	int flag;
};

int main(){
	int m, a, b, c;
	int d1, d2, d3, d4;
	int temp1, temp2, temp3,temp4,tem_f;
	double tem_l;
	int pro1, pro2;
	//ifstream ifs("shuju.txt");//
	//ifs>>m;//
	cin>>m;
	for(int i =0; i < m; i++){
		yingxiangli emp[505];
		//ifs>>a>>b>>c;//
		cin>>a>>b>>c;
		for(int j = 0; j < a; j++){
			//ifs>>d1>>d2>>d3>>d4;//
			cin>>d1>>d2>>d3>>d4;
			emp[j].d1 = d1;emp[j].d2 = d2;emp[j].d3 = d3;emp[j].d4 = d4;
			pro1 = (d1 + 0.0) / d2;
			pro2 = (d3 + 0.0) / d4;
			if(pro1 > pro2){
				emp[j].flag = 1;
				emp[j].the_larger = (d1 + 0.0) / d2;
			}else{
				emp[j].flag = 2;
				emp[j].the_larger = (d3 + 0.0) / d4;

			}
		}
		for(int n1 = 0; n1 < a - 1; n1++){
			for(int n2 = n1 + 1; n2 < a; n2++){
				if(emp[n1].the_larger < emp[n2].the_larger){
					tem_l = emp[n2].the_larger;
					temp1 = emp[n2].d1;
					temp2 = emp[n2].d2;
					temp3 = emp[n2].d3;
					temp4 = emp[n2].d4;
					tem_f = emp[n2].flag;
					emp[n2].the_larger = emp[n1].the_larger;
					emp[n2].d1 = emp[n1].d1;
					emp[n2].d2 = emp[n1].d2;
					emp[n2].d3 = emp[n1].d3;
					emp[n2].d4 = emp[n1].d4;
					emp[n2].flag = emp[n1].flag;
					emp[n1].the_larger = tem_l;
					emp[n1].d1 = temp1;
					emp[n1].d2 = temp2;
					emp[n1].d3 = temp3;
					emp[n1].d4 = temp4;
					emp[n1].flag = tem_f;
				}
			}
		}
		double jiazhi = 0;
		double fumian = 0;
		//int top = b + c;
		for(int n3 = 0; n3 < a && (b > 0 || c > 0); n3++){
			if(emp[n3].flag == 1 && b != 0){
				jiazhi += emp[n3].d1;
				fumian += emp[n3].d2;
				b--;
			}else if(emp[n3].flag == 2 && c != 0){
				jiazhi += emp[n3].d3;
				fumian += emp[n3].d4;
				c--;
			}else if((c == 0 && emp[n3].flag == 2) || (b == 0 && emp[n3].flag == 1)){
				if(emp[n3].flag == 1){
					emp[n3].the_larger = (emp[n3].d3 + 0.0) / emp[n3].d4;
					emp[n3].flag = 2;
				}else if(emp[n3].flag == 2){
					emp[n3].the_larger = (emp[n3].d1 + 0.0) / emp[n3].d2;
					emp[n3].flag = 1;
				}
				for(int n4 = n3; n4 < a - 1; n4++){
					if(emp[n4].the_larger < emp[n4 + 1].the_larger){
						tem_l = emp[n4].the_larger;
						temp1 = emp[n4].d1;
						temp2 = emp[n4].d2;
						temp3 = emp[n4].d3;
						temp4 = emp[n4].d4;
						tem_f = emp[n4].flag;
						emp[n4].the_larger = emp[n4 + 1].the_larger;
						emp[n4].d1 = emp[n4 + 1].d1;
						emp[n4].d2 = emp[n4 + 1].d2;
						emp[n4].d3 = emp[n4 + 1].d3;
						emp[n4].d4 = emp[n4 + 1].d4;
						emp[n4].flag = emp[n4 + 1].flag;
						emp[n4 + 1].the_larger = tem_l;
						emp[n4 + 1].d1 = temp1;
						emp[n4 + 1].d2 = temp2;
						emp[n4 + 1].d3 = temp3;
						emp[n4 + 1].d4 = temp4;
						emp[n4 + 1].flag = tem_f;
					}
				}
				n3--;
			}
		}
		//cout<<jiazhi<<" "<<fumian<<endl;//
		cout<<fixed;
		cout<<"Case #"<<i + 1<<": "<<setprecision(6)<<jiazhi/fumian<<endl;
		//system("pause");//
	}
}


 

  • 0
    点赞
  • 1
    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。 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