「BZOJ1483」[HNOI2009] 梦幻布丁 (启发式合并)

传送门

这题没有数据范围可怎么写啊!

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const ll setoff = 1e9;
const int maxn = 1e6+5;

vector<int> v[maxn];
int f[maxn],c[maxn],ans,n,m;//f 每个颜色对应编号,标记以便交换后可以找到原来的颜色

void work(){
    int x,y;
    scanf("%d%d",&x,&y);
    if(x==y) return;
    if(v[f[x]].size() > v[f[y]].size()) swap(f[x],f[y]);
    int fx=f[x],fy=f[y];
    for(int i=0;i<v[fx].size();i++){
        v[fy].push_back(v[fx][i]);
        if(c[v[fx][i]-1] == fy) ans--;
        if(c[v[fx][i]+1] == fy) ans--;
    }
    for(int i=0;i<v[fx].size();i++) c[v[fx][i]] = fy;
    v[fx].clear();
}

int main(){
    //freopen("in.txt","r",stdin);
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++){
        scanf("%d",&c[i]);
        if(c[i]!=c[i-1]) ans++;
        f[c[i]] = c[i];
        v[c[i]].push_back(i);
    }

    while(m--){
        int op;
        scanf("%d",&op);
        if(op==1) work();
        else printf("%d\n",ans);
    }
    return 0;
}

set
因为题目是要把x修改为y,所以如果x.size>y.size我们就将y改为x,反着就wrong了

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const ll setoff = 1e9;
const int maxn = 1e6+5;

int c[maxn],f[maxn];
int n,m,ans;
set<int> s[maxn];
void work(){
    int x,y;
    scanf("%d%d",&x,&y);
    if(x==y) return ;
    if(f[x] < f[y]) swap(f[x],f[y]);
    int fx = f[x],fy = f[y];
    for(auto it : s[fy]){
        s[fx].insert(it);
        if(c[it-1] == fx) ans--;
        if(c[it+1] == fx) ans--;
    }
    for(auto it : s[fy]) c[it] = fx;
    s[fy].clear();
}

int main(){
    //freopen("in.txt","r",stdin);
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++){
        scanf("%d",&c[i]);
        if(c[i]!=c[i-1]) ans++;
        f[c[i]] = c[i];
        s[c[i]].insert(i);
    }
    while(m--){
        int op;
        scanf("%d",&op);
        if(op == 1) work();
        else printf("%d\n",ans);
    }
    return 0;
}

思路

1:将两个队列合并,有若干队列,总长度为n,直接合并,最坏O(N),

2:启发式合并呢?

每次我们把短的合并到长的上面去,O(短的长度)

咋看之下没有多大区别,

下面让我们看看均摊的情况:

1:每次O(N)

2:每次合并后,队列长度一定大于等于原来短的长度的两倍。

这样相当于每次合并都会让短的长度扩大一倍以上,

最多扩大logN次,所以总复杂度O(NlogN),每次O(logN)。

然后对于此题

我们先求出原序列的答案

每一种颜色搞一条链把该色结点串起来,记录下链条尾结点

把一种颜色的染成另一种,很简单把它合并过去,然后处理下对于答案的影响

但是。。。

比如把1染成2,但是s[1]>s[2],这时我们应该将2合并到1的链后面,但是会遇到一个麻烦的问题,就是这个链头是接1下的,也就是说以后找颜色2,发现没有颜色2只有颜色1。。。

于是我们应该开一个数组f,表示我们寻找一种颜色时,实际应该找哪个颜色下的链,遇到上面那种情况要交换f[1]和f[2]

详细 http://www.oier.cc/bzoj1483hnoi2009%e6%a2%a6%e5%b9%bb%e5%b8%83%e4%b8%81/

线段树合并

https://blog.csdn.net/qq_36797743/article/details/76185796

  • 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