3735. 安全带

单点时限: 1.0 sec

内存限制: 256 MB

“叮------“平稳了没多久,安全带的指示灯又亮了。

“飞机遇到气流正在颠簸,请系好安全带” 不知道已经是第几次语音播报了,毫无意外,飞机再次开始失重下降。

Cuber QQ 的座位是在高贵的特等舱。飞机再次失重的时候,Cuber QQ 开始观察起了座位上的安全带。

特等舱的安全带自然是十分高级的。他由 n 个按钮构成,每个按钮之间均可以通过特质的材料绳连接。为了保证基本的安全,安全带初始的 n 个按钮顺次连接。具体来说,每个按钮都有一个编号,分别是 1 到 n ,初始的时候安全带包含了 n 条已经连接的特质的材料绳,他们分别连接按钮 1 和 按钮2 、 按钮 2 和 按钮3 、 ⋯ 、按钮 n−1 和 按钮n 、按钮 n 和 按钮1 。

为了满足不同旅客的不同需求,安全带还可以由旅客自己来调节松紧。具体来说,旅客可以选择按下某一些按钮,一旦这个按钮被按下,从这个按钮出发会通过特质的材料绳连接其他所有的按钮(如果这两个按钮之间已经有连接了,不会发生第二次连接)。

Cuber QQ 为了更加方便的定义安全带的松紧,他给每一个按钮定义了一个权值,而一条特质的材料绳的松紧程度定义为他所连接两个按钮权值的乘积。一个安全带的松紧程度,定义为所有连接的特质的材料绳的松紧程度之和。

现在 Cuber QQ 会告诉你他给安全带按钮定义的权值和按下的按钮,他想知道安全带现在的松紧程度。

简单来说:初始给出一个 n 个点顺次连接而成的环,点有点权,边权是两个端点的点权乘积。现在给出一些特殊点,这些特殊点是向其他所有点都有连边,如果连边时发现两点之间已经有边,不会再次连接(即图中不会有重边)。求图中边权和。

输入格式
输入第一行包含一个整数 n(3≤n≤105) ,表示按钮数量。

第二行包含 n 个用空格隔开的整数 a1,a2,⋯,an(1≤ai≤104) ,分别表示按钮的权值。

第三行包含 n 个用空格隔开的整数 b1,b2,⋯,bn(bi∈{0,1}) ,分别表示按钮的开关状态。其中 bi=1 表示第 i 个按钮按下了,bi=0 表示第 i 个按钮没有被按下。

输出格式
输出一个整数,表示安全带的松紧程度。

样例
input
3
2 3 3
1 0 1
output
21
input
3
2 3 3
0 0 0
output
21
提示
第一个样例解释:

初始的时候图中有三条边 (1,2),(2,3),(3,1) ,边权分别是 6,9,6 。

点 1 和点 3 向其他所有点有边,而这些边均已存在在图中,故不重复连接,所以边权和为 6+9+6=21 。

#include<iostream>
using namespace std;
struct g {
	int w;
	bool state;
};
int main() {
	int n;
	cin>>n;
	g G[n];
	long long sum=0;
	for(int i = 0; i < n; i++) {
		cin>>G[i].w;
		sum+=G[i].w;
	}
	for(int i = 0; i < n; i++) {
		cin>>G[i].state;
	}
	long long ans=0;
	for(int i = 0; i < n; i++) {
		if(G[i].state) {
			ans+=G[i].w*(sum-G[i].w);
			sum-=G[i].w;
		}
		else if(G[(i-1+n)%n].state==false) {
			ans+=G[i].w*G[(i-1+n)%n].w;
		}
	}
	cout<<ans;
	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