bzoj 1396/2865: 识别子串 后缀自动机+线段树

水水的字符串题 ~  

#include <map>           
#include <cstdio> 
#include <cstring>   
#include <algorithm>  
#define M 500003   
#define N 1000003   
#define lson now<<1 
#define rson now<<1|1   
#define inf 1000000000 
#define setIO(s) freopen(s".in","r",stdin) , freopen(s".out","w",stdout)   
using namespace std;      
int last,tot; 
char str[N];  
int rk[N],tax[N],A[N],minn[M<<2],minn2[M<<2];      
struct data
{
    int pre,cnt,len,id; 
    map<int,int>ch;         
}t[N];  
void Init() { last=tot=1; }   
void extend(int c,int pos) 
{
    int np=++tot,p=last;                       
    t[np].len=t[p].len+1,last=np;      
    for(;p&&!t[p].ch[c];p=t[p].pre) t[p].ch[c]=np;   
    if(!p) t[np].pre=1;   
    else 
    {
        int q=t[p].ch[c];  
        if(t[q].len==t[p].len+1)  t[np].pre=q;  
        else 
        {
            int nq=++tot; 
            t[nq].len=t[p].len+1;       
            t[nq].id=t[q].id;     
            t[nq].ch=t[q].ch;          
            t[nq].pre=t[q].pre,t[q].pre=t[np].pre=nq;   
            for(;p&&t[p].ch[c]==q;p=t[p].pre)  t[p].ch[c]=nq;    
        }
    }     
    ++t[np].cnt;    
    t[np].id=pos; 
}
void build(int l,int r,int now) 
{
    minn[now]=minn2[now]=inf;           
    if(l==r) return;  
    int mid=(l+r)>>1;   
    if(l<=mid)   build(l,mid,lson); 
    if(r>mid)    build(mid+1,r,rson);   
} 
void update(int l,int r,int now,int L,int R,int v) 
{
    if(l>=L&&r<=R)  
    {
        minn[now]=min(minn[now], v);           
        return;  
    } 
    int mid=(l+r)>>1;   
    if(L<=mid)   update(l,mid,lson,L,R,v);  
    if(R>mid)    update(mid+1,r,rson,L,R,v);     
}    
int query(int l,int r,int now,int p)   
{ 
    if(l==r) return minn[now];   
    int mid=(l+r)>>1,re=minn[now];   
    if(p<=mid)   re=min(re, query(l,mid,lson,p));  
    else  re=min(re, query(mid+1,r,rson,p));   
    return re;   
}    
void update2(int l,int r,int now,int L,int R,int v) 
{
    if(l>=L&&r<=R) 
    {
        minn2[now]=min(minn2[now], v);    
        return; 
    } 
    int mid=(l+r)>>1;    
    if(L<=mid)     update2(l,mid,lson,L,R,v);  
    if(R>mid)      update2(mid+1,r,rson,L,R,v);    
} 
int query2(int l,int r,int now,int p) 
{
    if(l==r) return minn2[now];    
    int mid=(l+r)>>1, re=minn2[now];   
    if(p<=mid)    re=min(re,query2(l,mid,lson,p));  
    else    re=min(re, query2(mid+1,r,rson,p));   
    return re;   
}
int main() 
{ 
    // setIO("input");       
    int n,i,j; 
    Init(); 
    scanf("%s",str+1);  
    n=strlen(str+1);
    for(i=1;i<=n;++i) extend(str[i]-'a',i);   
    for(i=1;i<=tot;++i)  ++tax[t[i].len];                 
    for(i=1;i<=tot;++i)  tax[i]+=tax[i-1];   
    for(i=1;i<=tot;++i)  rk[tax[t[i].len]--]=i;        
    build(1,n,1);   
    for(i=tot;i>1;--i)    
    {
        int u=rk[i];                    
        t[t[u].pre].cnt+=t[u].cnt;       
        t[t[u].pre].id=t[u].id;             
        if(t[u].cnt==1)           
        {                  
            update(1,n,1,t[u].id-t[u].len+1,t[u].id-t[t[u].pre].len,t[u].id);                                   
            update2(1,n,1,t[u].id-t[t[u].pre].len,t[u].id,t[t[u].pre].len+1);                
        }
    }
    for(i=1;i<=n;++i) printf("%d\n",min(query(1,n,1,i)-i+1, query2(1,n,1,i)));   
    return 0; 
}

  

  • 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