代码三十天(19)

//题目:有1、2、3、4个数字,能组成多少个互不相
//同且无重复数字的三位数?都是多少?
#include<stdio.h>
#include<stdlib.h>
int main() {
 int i, j, k,num,a=0;
 for (i = 1; i <= 4; i++) {
  for (j = 1; j <= 4; j++) {
   for (k = 1; k <= 4; k++)
    if (i != j && i != k && j != k) {
     num = k * 100 + j * 10 + i;
     printf("%d\n", num);
     a++;
    }
  }
 }
 printf("共有%d个数:\n", a);
 system("pause");
}
//题目:企业发放的奖金根据利润提成。
//利润(I)低于或等于10万元时,奖金可提10%;
//利润高于10万元,低于20万元时,低于10万元的部分按10%提成,高于10万元的部分,可提成7.5%;
//20万到40万之间时,高于20万元的部分,可提成5%;
//40万到60万之间时高于40万元的部分,可提成3%;
//60万到100万之间时,高于60万元的部分,可提成1.5%;
//高于100万元时,超过100万元的部分按1%提成,
//从键盘输入当月利润I,求应发放奖金总数?
#define _CRT_SECURE_NO_WARNINGS
#include<stdio.h>
#include<stdlib.h>
double bonus(double num) {
 double x;
 if (num <= 100000)
  x = num * 0.1;
 if (num >= 100000 && num <= 200000)
  x = 100000 * 0.1 + (num - 100000)*0.075;
 if (num >= 200000 && num <= 400000)
  x = 100000 * 0.1 + 100000 * 0.075 + (num - 200000)*0.05;
 if (num >= 400000 && num <= 600000)
  x = 100000 * 0.1 + 100000 * 0.075 + 200000 * 0.05 + (num - 400000)*0.03;
 if (num >= 600000 && num <= 1000000)
  x = 100000 * 0.1 + 100000 * 0.075 + 200000 * 0.05 + 200000 * 0.03 + (num - 600000)*0.015;
 if (num >= 1000000)
  x = 100000 * 0.1 + 100000 * 0.075 + 200000 * 0.05 + 200000 * 0.03 + 400000 * 0.015 + (num - 1000000)*0.01;
 return x;
}
int main() {
 double a;
 printf("请输入当月的利润:\n");
 scanf("%lf",&a);
 a = bonus(a);
 printf("奖金为:%lf\n", a);
 system("pause");
}
//题目:一个整数,它加上100后是一个完全平方数,
//再加上168又是一个完全平方数,请问该数是多少?
#define _CRT_SECURE_NO_WARNINGS
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
int main() {
 int i,n=0;
 int a, b;
 for (i = 0; i < 10000; i++) {
   a = i + 100;
   b = i + 268;
   if (a == (int)sqrt(a)*(int)sqrt(a)) {
    if (b == (int)sqrt(b)*(int)sqrt(b)) {
     printf("这个数为:%d\n", i);
    }
   }
 }
 system("pause");
}
//题目:输入某年某月某日,判断这一天是这一年的第几天?
//思路及算法:利用循环和判断,得出第多少天
//闰年:31天:1,3,5,7,8,10,12 30天:4,6,9,11 29天:2
//常年:31天:1,3,5,7,8,10,12 30天:4,6,9,11 28天:2
#define _CRT_SECURE_NO_WARNINGS
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
int day(int a, int b, int c) {
 int num;
 //1.判断这一年是否为闰年
 if (a % 4 == 0) {
  num = (b - 1) * 30; {
   if (b == 12)
    num = num + 6 - 1;
   if (b == 10)
    num = num + 5 - 1;
   if (b == 8)
    num = num + 4 - 1;
   if (b == 7)
    num = num + 3 - 1;
   if (b == 5)
    num = num + 2 - 1;
   if (b == 3)
    num = num + 1 - 1;
   if (b == 2)
    num = num + 1;
  }
  num = num + c;
 }
 else {
  num = (b - 1) * 30; {
   if (b == 12)
    num = num + 6 - 2;
   if (b == 10)
    num = num + 5 - 2;
   if (b == 8)
    num = num + 4 - 2;
   if (b == 7)
    num = num + 3 - 2;
   if (b == 5)
    num = num + 2 - 2;
   if (b == 3)
    num = num + 1 - 2;
   if (b == 2)
    num = num + 1;
  }
  num = num + c;
 }
 return num;
}
int main() {
 //1.让用户输入自己的出生年月日(输入数字+字符)
 int n, y, d;
 printf("请输入你的出生年月日:\n");
 scanf("%d%d%d",&n,&y,&d);
  //2.将数据代入运算
 int result = day(n, y, d);
  //3.打印数字
 printf("您出生在%d年的第%d天\n", n, result);
  system("pause");
}
  • 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