bzoj3160 万径人踪灭 FFT+manacher

       一道挺不错的题目。关键是想到卷积(相信大神看到这就会做了,不对,大神还需要来看我的博客吗)

       首先我们可以求出所有的回文子序列,然后减去回文子串的数量,就可以得到答案了。回文子串的数量可以用manacher算法O(N)得到,那么就看怎么得到回文子序列了。

       不妨来看以一个点i为中心有多少回文子序列(以夹缝为中心的回文子序列同理)。我们发现关键是统计有多少个k,满足ch[i-k]=ch[i+k],那么以i为中心的点回文子序列的个数为2^k-1(自己不能作为回文子序列)。另外我们发现不同的字母得到的k是相互独立的。因此我们求出有多少ch[i-k]=ch[i+k]=a,以及有多少ch[i-k]=ch[i+k]=b,然后把两个k加起来就行了。

       那么考虑字母'a'带来的影响。可以设一个数组a[i],当ch[i]='a'时a[i]=1。那么对于点i就是统计Σa[i-k]*a[i+k],如果这样还不是很明显,那么我们令点i的答案为2i(i和i+1的夹缝为2i+1),可以看到b[2i]=Σa[i-k]*a[i+k]=Σ(j=0,i)a[j]*a[2i-j]!这就是一个卷积的形式即:b[i]=Σa[j]a[i-j],可以看到对于夹缝这个也是同样成立的!

       然后用FFT加速卷积计算即可。注意可以不需要求出'a'和'b'的两个卷积,而可以求出两个点值表达式后合并到一起,然后就只需要求一次插值即可。

AC代码如下:

#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
#define pi acos(-1.0)
#define mod 1000000007
#define N 300005
using namespace std;

int n,m,pos[N],f[N],bin[N]; char ch[N],s[N];
struct cpx{ double r,i; }a[N],b[N];
cpx operator +(cpx x,cpx y){ x.r+=y.r; x.i+=y.i; return x; }
cpx operator -(cpx x,cpx y){ x.r-=y.r; x.i-=y.i; return x; }
cpx operator *(cpx x,cpx y){
	cpx z; z.r=x.r*y.r-x.i*y.i; z.i=x.r*y.i+x.i*y.r; return z;
}
void dft(cpx *a,int p){
	int i,j,k,mid; cpx w,wn,u,v;
	for (k=2; k<=m; k<<=1){
		wn.r=cos(pi*2.0/k*p); wn.i=sin(pi*2.0/k*p); mid=k>>1;
		for (i=0; i<m; i+=k){
			w.r=1; w.i=0;
			for (j=i; j<i+mid; j++){
				u=a[j]; v=a[j+mid]*w;
				a[j]=u+v; a[j+mid]=u-v; w=w*wn;
			}
		}
	}
	if (p<0) for (i=0; i<m; i++) a[i].r/=m;
}
int main(){
	scanf("%s",ch+1); n=strlen(ch+1); int i,j,k,cnt=0;
	m=n<<1|1; for (i=1; i<m; i<<=1) cnt++; m=i;
	for (i=0; i<m; i++)
		for (k=i,j=cnt; j; j--,k>>=1) pos[i]=pos[i]<<1|(k&1);
	for (i=1; i<=n; i++)
		if (ch[i]=='a') a[pos[i]].r=1; else b[pos[i]].r=1;
	dft(a,1); dft(b,1);
	for (i=0; i<m; i++) b[i]=a[i]*a[i]+b[i]*b[i];
	for (i=0; i<m; i++) a[pos[i]]=b[i];
	dft(a,-1); int ans=0;
	bin[0]=1; for (i=1; i<=n; i++) bin[i]=(bin[i-1]<<1)%mod;
	for (i=0; i<m; i++)
		ans=(ans+bin[((int)(a[i].r+0.5)+1)>>1]-1)%mod;
	for (i=1; i<=n; i++){
		s[i<<1]=ch[i]; s[i<<1|1]='#';
	}
	int len=n<<1|1,mx=0;
	s[1]='#'; s[0]='$';  s[len+1]='@';
	for (i=2; i<len; i++){
		f[i]=(mx>i)?min(mx-i,f[(k<<1)-i]):1;
		while (s[i-f[i]]==s[i+f[i]]) f[i]++;
		if (i+f[i]>mx){ mx=i+f[i]; k=i; }
		ans=(ans-(f[i]>>1)+mod)%mod;
	}
	printf("%d\n",ans);
	return 0;
}


by lych

2016.3.9 

  • 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