GDOI2021爆(tuì)炸(yì)记

Day -x

  • N O I P 2020 NOIP2020 NOIP2020出乎意料地拿到了 279 279 279分 省排好像在第 8 8 8
  • W C 2021 WC2021 WC2021虽然丢了 T 3 T3 T3 20 20 20分暴力但还是有 148 148 148 水了个 A g Ag Ag 省排好像还不错
  • 两次加起来赋分貌似有第 12 12 12位 让我对本赛季的未来抱有无数幻想

Week -5 ~ Day -2

  • 即使这样是对我本就不好的文化课雪上加霜 但最终抱有无数幻想的我还是停了五周课
  • 本来想着能够补一下后缀三连 多项式等我不太懂甚至一窍不通的芝士点上 可结果时间还是大多用在打模拟赛和改题上
  • 而且模拟赛的表现也可以说是不堪入目
  • 除了一次数据太水 水到了校内 r a n k rank rank 1 s t 1st 1st的成绩 其他场次基本都是 10 10 10名开外 与我联赛水平天差地别
  • 甚至开始怀疑自己是否有这个能力 是否配得上已有的成绩

Day -1

  • 开赛前两天按照惯例让我们回家休息
  • 那天晚上我出乎意料地没有腐败 11 11 11点早早睡了 已好久没有在家不腐败的夜晚了

Day 0

  • 下午出发前说了会儿话 没想到竟然是关于 A P I O APIO APIO
  • 然后搭车出发 本想在车上休息会儿 结果没让我失望我一直在玩
  • 路上又堵车 两小时的路程跑了三小时
  • 下午签到完就跑回了酒店
  • 心里 1 0 19260817 10^{19260817} 1019260817个不满
  • 灯光昏暗 通道狭窄 诡异的房门 简直就是鬼屋既视感
  • 房门前还有个大垃圾桶 每次进房都有股臭味
  • 厕所也有异味 排气扇开好久才能去除 浴室里还有福诡异的刻画
  • 窗台可能有几年没擦
  • 晚上往着高楼大厦的方向走 在一个商业中心吃了饭
  • 晚上回来开了个会 说要收手机 可不知为啥兔兔并没有来 11 11 11点左右睡了

Day 1

  • 早上在楼下的一家肠粉店解决了早餐 然后就去了学校
  • 8 : 27 8:27 8:27发了密码 W i n d o w s Windows Windows格式无法解压差评
  • 鼠标 键盘 电脑都很不错 还附赠了一支骚粉的圆珠笔
  • 就是没有窗帘对我们这种背对着窗的选手很不友好 反光太重了
  • T 1 T_1 T1 嗯 就是个签到题 处理一下 b b b的前后缀 m i n / m a x min/max min/max 再二分答案枚举最小的 a a a就能处理了
  • 再看 T 2 T_2 T2 m = 2 m=2 m=2的情况似乎很好做 但其他情况就神仙了
  • 又看了 T 3 T_3 T3 转化了一下题意 O ( n m l o g 2 m ) O(nmlog_2m) O(nmlog2m) 似乎就是送的 80 80 80
  • 回来想 T 2 T_2 T2 貌似可以通过加加减减来求出确切的 a a a
  • 但之后发现不行 给的信息量是减少的 显然不能求出确切解 只能求出可行解
  • 此时已经是 10 : 00 10:00 10:00 感觉时间不太够 开打 T 1 T_1 T1
  • 20 20 20分钟打完 测了测大样例 0.89 s 0.89s 0.89s 有点慌 不过还好答案是对的
  • 又随了十几个极限数据 发现都是 1.008 s 1.008s 1.008s???
  • 瞬间慌了 不知该怎么办
  • 然后马上想了个除了排序以外线性的做法
  • 测极限数据 1.05 s 1.05s 1.05s???
  • 又发现 a a a是有序的 可以先对 b b b排序再归并 e m m m m emmmm emmmm
  • 又改了改 终于跑到了 0.8 s 0.8s 0.8s 于是 T 1 T1 T1放在一边对拍
  • 10 : 40 10:40 10:40 T 2 T_2 T2 m = 2 m=2 m=2的情况其实就是一行 限制在 [ 0 , 2 ∗ 1 0 6 ] [0,2*10^6] [0,2106] 再合理利用最后一个格子就行了
  • 然后发现这其实是一个调整的过程 其他数据也可以先求出一个不满足范围条件的 a a a然后调整
  • 可是 m > 2 m>2 m>2的时候会有超多的调整方案 e m m m emmm emmm 只随便打了打其中一种就弃了
  • 本来以为 b b b 0 0 0 1 1 1的是铁定过的 结果并没有那么好运
  • 接着码 T 3 T_3 T3 80 80 80分 小样例没问题 大样例竟然错了!!!
  • 仔细思考 发现题意转化错了 不应该是只能经过 [ m i n ( u , v ) , m a x ( u , v ) ] [min(u,v),max(u,v)] [min(u,v),max(u,v)]的点 其他没被删的点也可以经过???
  • 心态有点崩 此时已经是 11 : 40 11:40 11:40 打了 T 3 T_3 T3的大 s i m u l a t i o n simulation simulation 接下来的一个小时毫无收获

After Day 1

  • 估分 100 + 40 + 16 = 156 100+40+16=156 100+40+16=156好像海星
  • 结果只有 100 + 30 + 16 = 146 100+30+16=146 100+30+16=146 貌似没低多少 但没过半就感觉是低了一个档次
  • ???我把 “ [ m i n ( u , v ) , m a x ( u , v ) ] ” “[min(u,v),max(u,v)]” [min(u,v),max(u,v)]变成 “ [ m i n ( u , v ) , n ] ” “[min(u,v),n]” [min(u,v),n]就是 T 3 T_3 T3 80 80 80分做法???我怎么没想到啊。。。
  • T 3 T_3 T3我怎么把调试的代码交上去了???还好没问题没丢分

Night 1

  • 真的啥都没干 就去玩了玩密室逃脱
  • 晚上回来要找地铁站 结果跟着路牌走 转了至少 7 7 7次弯才到了真正的地铁站入口
  • 下地铁了 G S M GSM GSM比较怕迟到 先跑回去 结果我走回去的时候在酒店门口撞见他

Day 2

  • 还是 8 : 27 8:27 8:27发密码 W i n d o w s Windows Windows格式还是不能解压
  • 怎么没反光了? 贴了层报纸好评
  • T 1 T_1 T1 终于有一道树的题了 而且貌似可做 顿时兴奋
  • 接着 T 2 T_2 T2 !!!这 O ( n ! ) O(n!) O(n!) 60 60 60分是送的!!!
  • 再接着 T 3 T_3 T3 支配树!!! e m m m emmm emmm 曾经会过 但感觉自己考场决不能推出来 弃了
  • 回去看 T 2 T_2 T2 发现 O ( n ! ) O(n!) O(n!)搜索的时候最后 K = 4 K=4 K=4位的答案可以预处理出来
  • 但要记录两维 m m m 貌似有点萎
  • 接着又发现这两维 m m m存在大小限制关系 n < = 12 n<=12 n<=12 m < = 300 m<=300 m<=300的数据存的下 80 80 80 g e t get get
  • 又想 T 1 T_1 T1 发现可以维护两个倍增 一个是从当前开始跳 跳 2 i 2^i 2i个颜色
  • 另一个是从当前颜色开始跳 跳 2 i 2^i 2i个颜色
  • 于是链的情况就做完了
  • 但树上 l c a − > v lca->v lca>v的路径上的答案一直不知道怎么统计
  • 貌似可以二分答案 但每次都要做向上面一样但倒着跳颜色的预处理
  • 整体二分也不行 如果有 m m m种答案就要处理 m m m次 萎死了
  • 已经 10 : 30 10:30 10:30了 有点绝望 感觉 T 2 T_2 T2做法细节很多 要打不少时间
  • 先从简单的做起吧 T 3 T_3 T3树的情况显然判一判 0 0 0之后答案就是 s i z [ v ] siz[v] siz[v]
  • 想着这已经够暴力了吧就没有拍
  • 接着回来打 T 2 T2 T2 又发现空间有点不够使
  • 紧接着又想到预处理数组树的大小最多为 K ! = 24 K!=24 K!=24 果断把数组改成 s h o r t short short类型
  • n = 12 n=12 n=12的数据 0.7 s 0.7s 0.7s过了 还算比较稳
  • 又测 n = 13 n=13 n=13的 跑了 10 s 10s 10s 算了不报希望吧
  • 可是居然跟暴力花 120 s 120s 120s跑出来的答案不同??
  • 有点慌 找了十分钟发现数组大小是针对 n = 12 n=12 n=12 m = 300 m=300 m=300的数据点开了 再开大点就行了
  • 11 : 30 11:30 11:30 T 1 T_1 T1暴力和链的情况
  • 10 m i n s 10mins 10mins打完 接下来又是颗粒无收的一小时
  • 最后 20 m i n 20min 20min 无聊就出了个大点的树拍 结果竟然错了???
  • 又慌得一批 使了吃奶的劲儿也找不到
  • 最后 2 m i n 2min 2min发现是倒着跳链的 u u u v v v打反了!!!
  • 赶紧改了 怎么还有个错???
  • 原来还有个 v v v没改成 u u u!!!终于对了
  • 长舒一口气 等待审判……

After Day 2

  • F F F- w o r d word word T 2 T_2 T2 b b b是要递增的 完全可以在一次增加b的时候把后面的也加上 对相对大小没有影响。。。
  • F F F- w o r d word word T 1 T_1 T1我从当前开始跳的倍增就是想找到最靠近的目标颜色的点啊!!!这完全可以用一个主席树维护点到根路径的信息搞定啊 这不是我最熟悉的套路么。。。
  • 估分 45 + 80 + 25 = 150 45+80+25=150 45+80+25=150
  • 实际 45 + 80 + 5 = 130 45+80+5=130 45+80+5=130
  • e m m m emmm emmm T 3 T_3 T3树貌似没有判 f a [ v ] = l c a ( u , v ) fa[v]=lca(u,v) fa[v]=lca(u,v)时答案为 0 0 0的情况
  • 而且其他情况不能建出支配树之后就把他当树看 还有其他情况
  • 两天 276 276 276分 之前也就 12 12 12位 别想进队了

Summary

  • 其实吧 N O I P 2020 NOIP2020 NOIP2020 W C 2021 WC2021 WC2021考得不错 也是得益于上天的眷顾
  • N O I P 2020 NOIP2020 NOIP2020 T 1 T_1 T1 由于我出于习惯打 l c m lcm lcm的时候写的是 a / g c d ( a , b ) ∗ b a/gcd(a,b)*b a/gcd(a,b)b而不是 a ∗ b / g c d ( a , b ) a*b/gcd(a,b) ab/gcd(a,b)导致我比仅仅开了 l o n g long long l o n g long long的童鞋多出了 30 30 30
  • N O I P 2020 NOIP2020 NOIP2020 T 3 T_3 T3 虽然我自认为能拿到一定部分分的算法 但我最终没能跳出来 只把所有调试输出语句删了就交上去 谁知数据太水送了我 25 25 25
  • N O I P 2020 NOIP2020 NOIP2020 T 4 T_4 T4 我可以说是灵机一动才想到了我 80 80 80分的做法 比大多数人多了 40 40 40分吧 不过发代码的时候发现我代码有一个错没改过来 只能过很水的数据 但不知为啥我最终仍拿到了 80 80 80分 也许是发代码的时候发错了吧
  • W C 2021 WC2021 WC2021 T 2 T_2 T2 面对一个我从没见过的套路我竟然想到了正解 也是运气使然
  • 这样看来我 W C 2021 WC2021 WC2021 T 3 T_3 T3丢的 20 20 20分真是微不足道 运气真的给我带来了很多
    决定停课五周,可能确实有点对文化课的抵触心理,但更多的还是想提升一下自己的多项式,后缀三连这些弱项吧。
    而事实却是我几乎把所有时间都花在打模拟赛和改模拟赛的题目上。
    模拟赛除了几次因为数据太水让我水了不少分而冲到前十,其他的成绩都不堪入目,要知道这可只是校内排名,况且并不是所有人都以竭尽所能在做比赛。
    包括改题,基本上没有几天是可以改完题的,甚至好几天是一题都不懂。
    主要原因有两个: 1 、 1、 1知识点漏洞太多,况且模拟赛题目经常有多项式内容。 2 、 2、 2状态太差了,没什么心情。心理学上讲, r e g u l a r regular regular正面反馈是人类坚持做事的必要条件。原因应该是自己没有调节好 t i m e t a b l e timetable timetable吧。
    这次比赛,虽然不能说非常可惜,但还是有点遗憾吧。
    D a y Day Day 1 1 1 T 2 T_2 T2 0 < = b < = 1 0<=b<=1 0<=b<=1的部分完全可以当做一个子任务来打,用不着用自己打的劣到天边的调整方法。
    D a y Day Day 1 1 1 T 3 T_3 T3 其实自己已经非常接近 80 80 80分的做法了,但他就是没想出来。应该是因为当时时间算是所剩无几,只剩一个多小时,感觉再想做法就算想到了也没有时间码,自己想了半个比赛的做法竟然是错的打击了我的自信心,就只打个 s i m u l a t i o n simulation simulation草草了事。
    D a y Day Day 2 2 2 T 1 T_1 T1 感觉自己应该要想出正解的,自己也发现其中一个倍增数组跟真正解答的倍增有重叠的部分,它的意义在于找到起点 / / /终点,但没想到可以直接用数据结构找起点 / / /终点。
    D a y Day Day 2 2 2 T 2 T_2 T2 当时看着自己的预处理有一个奇奇怪怪的不变的量就有点觉得它没用,可我又没有想到可以预先支付后面的 b b b的代价,这明明是一个出现过了好几次的套路。
    D a y Day Day 2 2 2 T 3 T_3 T3 树的情况忘记判断一种情况导致少了 10 10 10分,把有向有环图的情况想得太简单,一分不得,要是打真正的暴力可以又 10 10 10分甚至 30 30 30分。
    e m m m m emmmm emmmm 这样看来除了切了的签到题,自己的能力都没有发挥到极致。
    主要原因还是: 1 、 1、 1自己的能力还不足,跟真正的大佬还有非常大的差距。 2 、 2、 2考场上不能时时刻刻 c a l m calm calm d o w n down down
    两天才 276 276 276分,进省队是没有希望了,要是自己没那么多意外,也许结果会大有不同吧。

End

  • 省选后的周一周二就是段考 爆炸是必然的了
  • 神奇的是我竟然错过了拿到全班倒一的最佳时机
  • 可爱的棉花帮我垫了底 我成了倒二
  • 绝唱就这么草草了事了 可能真的有点不甘心吧
  • “完美无瑕的是电影,不是生活。”
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    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
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
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 3
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