joj2325

据说要用dp,不过我用的是BFS,就是从上下左右四个方向压缩,在余下的面积不小于max的情况下一直到压缩出全为一的子阵,然后更新max的值,反复进行这个操作,即一开始的矩阵为:

1 1 1 1

0 0 0 0

1 1 1 1

0 0 0 0

可以压缩为:
0 0 0 0  (去掉第一行)

1 1 1 1

0 0 0 0  

 

1 1 1 1 (去掉第四行)

0 0 0 0

1 1 1 1  

 

1 1 1(去掉第一列)

0 0 0

1 1 1

0 0 0

 

1 1 1(去掉第四列)

0 0 0

1 1 1

0 0 0

然后反复压缩就可以了,一开始没考虑x1>x2和y1>y2的情况wa了好几次

 

 

#include<iostream>
#include<stdio.h>
#include<queue>
using namespace std;
int mm[32][32];
int dp[32][32][32][32];
struct node{
       int x1;
       int x2;
       int y1;
       int y2;
};
int rmax;
int check(node k)
{
    int i,j;
    for(i=k.y1;i<=k.y2;i++)
        for(j=k.x1;j<=k.x2;j++)
        {
             if(mm[i][j]==0)
             {
                 //if(k.y1==0&&k.y2==0&&k.x1==0&&k.x2==1)
                     //cout<<i<<" "<<j<<endl;
                 return 0;
             }
        }
    return 1;
}
void bfs(int y1,int y2,int x1,int x2)
{
     node k;
     queue<node> q;
     k.x1=x1;
     k.y1=y1;
     k.x2=x2;
     k.y2=y2;
     dp[y1][y2][x1][x2]=1;
     q.push(k);
     while(!q.empty())
     {
        
         node k;
         k=q.front();
         q.pop();
         if(k.x1<0||k.x2<0||k.y1<0||k.y2<0)
             continue;
         if((k.y2-k.y1+1)*(k.x2-k.x1+1)<=rmax)
             continue;
         if(check(k))
             rmax=(k.y2-k.y1+1)*(k.x2-k.x1+1);
         node m;
         if(k.x2-k.x1>0)
         if(dp[k.y1][k.y2][k.x1+1][k.x2]==0)
         {
         m.x1=k.x1+1;
         m.x2=k.x2;
         m.y1=k.y1;
         m.y2=k.y2;
         dp[k.y1][k.y2][k.x1+1][k.x2]=1;
         q.push(m);
         }
         if(k.x2>0&&k.x2-k.x1>0)
         if(dp[k.y1][k.y2][k.x1][k.x2-1]==0)
         {
         m.x1=k.x1;
         m.x2=k.x2-1;
         m.y1=k.y1;
         m.y2=k.y2;
         dp[k.y1][k.y2][k.x1][k.x2-1]=1;
         q.push(m);
         }
         if(k.y2>0&&k.y2-k.y1>0)
         if(dp[k.y1][k.y2-1][k.x1][k.x2]==0)
         {
         m.x1=k.x1;
         m.x2=k.x2;
         m.y1=k.y1;
         m.y2=k.y2-1;
         dp[k.y1][k.y2-1][k.x1][k.x2]=1;
         q.push(m);
         }
         if(k.y2-k.y1>0)
         if(dp[k.y1+1][k.y2][k.x1][k.x2]==0)
         {
         m.x1=k.x1;
         m.x2=k.x2;
         m.y1=k.y1+1;
         m.y2=k.y2;
         dp[k.y1+1][k.y2][k.x1][k.x2]=1;
         q.push(m);
         }
         //int ii,jj;
         //for(ii=0;ii<3;ii++)
         //{
         //   for(jj=0;jj<3;jj++)
          //     cout<<mm[ii][jj];
          //  cout<<endl;
         //}   
     }
}
int main()
{
    int n,m;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
        int i,j,sum=0;
        memset(dp,0,sizeof(dp));
        for(i=0;i<n;i++)
           for(j=0;j<m;j++)
           {
              scanf("%d",&mm[i][j]);
              if(mm[i][j]==1)
                sum++;
           } 
        if(sum==1||sum==0)
           printf("%d\n",sum);
        else
        {
            rmax=1;
            bfs(0,n-1,0,m-1);
            printf("%d\n",rmax);
        }
    }
}

 

 

 

 

  • 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