用染色的01标记法dfs整个图得到可以不连通的路径长度小于2的有向图

Codeforces Round #550 (Div. 3) F. Graph Without Long Directed Paths

 

#include<bits/stdc++.h>
using namespace std;
int n,m;
const int maxn=2e5+5;
int vis[maxn];
int col[maxn];
vector<int> g[maxn];
int a[maxn],b[maxn];
bool flag=true;

void dfs(int x,int c,int fa)
{
    col[x]=c;
    for(int i=0;i<g[x].size();i++){
        if(g[x][i]==fa) 
            continue;
        if(col[g[x][i]]==-1)
            dfs(g[x][i],1-c,x);
        else if(col[g[x][i]]==col[x]){  //如果有环就已经不行了
            flag=false;
        }
    }
    return ;
}
int main()
{
    cin>>n>>m;
    for(int i=0;i<m;i++){
        cin>>a[i]>>b[i];
        g[a[i]].push_back(b[i]);
        g[b[i]].push_back(a[i]);
    }
    flag=true;
    memset(col,-1,sizeof(col));
    dfs(1,0,-1);
    if(flag){
        cout<<"YES"<<endl;
        for(int i=0;i<m;i++){
            if(col[a[i]]==1)
                cout<<"0";
            else
                cout<<"1";
        }
    }
    else
        cout<<"NO"<<endl;
}

法2;存图用链式前向星

 

#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#include<algorithm>
using namespace std;
const int maxn=2e5+10;
const int inf=0x3f3f3f3f;
int n,m;
int first[maxn],sign;
int vis[maxn];
int a[maxn][2];
struct node
{
    int to,w,next;
} edge[maxn<<1];
void init()
{
    for(int i = 0; i <=n; i++)
        first[i]=-1;
    sign=0;
}
void add_edge(int u,int v,int w)
{
    edge[sign].to=v;
    edge[sign].w=w;
    edge[sign].next=first[u];
    first[u]=sign++;
}
bool flag1=0;
void dfs(int x,int flag)///对整个图进行染色1 0 1 0...,
{
    vis[x]=flag;
    for(int i=first[x]; ~i; i=edge[i].next)
    {
        int to=edge[i].to;
        if(vis[to]==vis[x])///判断是是否有环
        {
            flag1=1;
            return ;
        }
        if(vis[to]==-1)
        {
            dfs(to,flag^1);
        }
    }
    return ;

}
int main()
{
    scanf("%d%d",&n,&m);
    init();
    for(int i=1; i<=m; i++)
    {
        int u,v;
        scanf("%d%d",&u,&v);
        add_edge(u,v,1);
        add_edge(v,u,1);
        a[i][0]=u;
        a[i][1]=v;
    }
    memset(vis,-1,sizeof(vis));
    dfs(1,1);
    if(flag1)
        puts("NO");///如果图中有环的话,肯定就会存在dist>=2的点,可以自己画一个三角形看看,就很容易理解了
    else
    {
        puts("YES");
        for(int i=1; i<=m; i++)
        {
            if(vis[a[i][0]]==1)///a[i][0]为第i条边的起点,a[i][1]为第i条边的终点。
                              ///这里我们已经将整个图染色,整个图分为两类,标记为1的点和标记为0的点
                              ///以标记为1的点为起点,出发的边不做修改,即边的标记为0
                              ///以标记为0的点为起点,出发的边改为相反的方向,即边的标记为1,
                              ///这里其实是不难理解的,两个相邻的点必定为1 0或者0 1,1->0->1
                              ///(1出发的边保持原来的方向,0出发的边改为相反的方向)或者(0出发
                              ///的边保持原来的方向,1出发的边改为相反的方向)才能使得整个图的不出现长度为2或者更大的路径
                printf("0");
            else
                printf("1");
        }
    }

    return 0;
}

 

  • 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 目前主流的基于深度学习的目标检测算主要分为两类:Two stage和One stage。Two stage方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目标检测算有:R-CNN系列、SPPNet等。 1.2 One stage方 One stage方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。这种方的优点是速度快,因为省略了Region Proposal生成的过程。One stage方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