UVALive - 7511 Multiplication Table 暴力模拟

题意:给一个数字矩阵,?表示不确定的数字,问这个子矩阵是否可能存在于乘法表里

题解:不要再傻傻的求解了,暴力一下因子就过了

#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
using namespace std;
typedef long long ll;
const int N=1e6+10;
struct node{
	int x,y;
	int val;
}p[N];
int n,m,len;
int flag;
void judge1()
{
	for(int i=1;i<=sqrt(p[0].val*1.0);i++)
	{
		if(p[0].val%i==0&&((i>=p[0].x&&p[0].val/i>=p[0].y)||(i>=p[0].y&&p[0].val/i>=p[0].x)))
		{
			flag=1;
			return;
		}
	}
	flag=0;
}
void judge2()
{
	int x=p[0].x,y=p[0].y,val=p[0].val;
	for(int i=1;i<=sqrt(val*1.0);i++)
	{
		if(val%i==0)
		{
			int x1=i,y1=val/i;
			if(x1>=x&&y1>=y)
			{
				int j=1;
				for(;j<len;j++)
				{
					if((ll)(x1-x+p[j].x)*(y1-y+p[j].y)!=p[j].val)
					{
						break;
					}
				}
				if(j==len)
				{
					flag=1;
					return;
				}
			}
			if(x1>=y&&y1>=x)
			{
				swap(x1,y1);
				int j=1;
				for(;j<len;j++)
				{
					if((ll)(x1-x+p[j].x)*(y1-y+p[j].y)!=p[j].val)
					{
						break;
					}
				}
				if(j==len)
				{
					flag=1;
					return;
				}
			}
		}
	}
	flag=0;
}
int main()
{
	int T;
	int nn=1;
	char op[2000];
	scanf("%d",&T);
	while(T--)
	{
		len=0;
		scanf("%d%d",&n,&m);
		for(int i=1;i<=n;i++)
		{
			for(int j=1;j<=m;j++)
			{
				scanf("%s",op);
				if(op[0]=='?') continue;
				int l=strlen(op),mm=0;
				for(int k=0;k<l;k++)
					mm=mm*10+op[k]-'0';
				p[len].x=i,p[len].y=j,p[len++].val=mm;
			}
		}
	//	cout<<len<<endl;
		if(len==0) flag=1;
		else if(len==1) judge1();
		else judge2();
		printf("Case #%d: ",nn++);
		if(flag) printf("Yes\n");
		else printf("No\n"); 
	}	
	return 0;
}

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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