省选模板复习—【字符串】

KMP


Manacher

inline void manacher(){
    int len=strlen(s);
    now[0]='!',now[1]='$',n=1;
    for(re int i=0;i<len;i++){
        now[++n]=s[i],now[++n]='$';
    }
    now[n+1]='@';
    mx=mid=1;
    for(re int i=1;i<=n;i++){
        if(i<mx)p[i]=min(mx-i,p[2*mid-i]);
        else p[i]=1;
        while(now[i-p[i]]==now[i+p[i]])p[i]++;
        if(mx<i+p[i])mx=i+p[i],mid=i;
    }
}

PAM

namespace PAM{
	int nxt[N][27],fail[N],tot,len[N],s[N],cnt,last;
	inline void init(){
		tot=1,fail[0]=1,len[1]=-1,s[0]=-1;
	}
	inline int find(int p,int k){
		while(s[k-len[p]-1]!=s[k])p=fail[p];
		return p;
	}
	inline void insert(int c){
		s[++cnt]=c;int p=find(last,cnt);
		if(!nxt[p][c]){
			fail[++tot]=nxt[find(fail[p],cnt)][c];
			nxt[p][c]=tot,len[tot]=len[p]+2;			
		}
		last=nxt[p][c];
	}
}

AC自动机

namespace AC{
	int fail[N],end[N],nxt[N][26],tot;
	inline void insert(char c[],int p){
		int len=strlen(c),u=0;
		for(int i=0;i<len;i++){
			if(!nxt[u][c[i]-'a'])nxt[u][c[i]-'a']=++tot;
			u=nxt[u][c[i]-'a'];
		}
		end[u]=p;
	}
	inline void buildfail(){
		queue<int>q;
		for(int i=0;i<26;i++){
			int v=nxt[0][i];
			if(v)fail[v]=0,q.push(v);
		}
		while(!q.empty()){
			int u=q.front();q.pop();
			for(int i=0;i<26;i++){
				int v=nxt[u][i];
				if(v)fail[v]=nxt[fail[u]][i],q.push(v);
				else nxt[u][i]=nxt[fail[u]][i];
			}
		}
	}
}

统计时记得沿 f a i l fail fail跳所有子串


后缀数组+ST表

二分大法吼啊

namespace SA{
	int n,m,sa[N],rk[N],cnt[N],sa2[N],st[22][N],ht[N],lg[N];
	inline void bucsort(){
		for(int i=1;i<=m;i++)cnt[i]=0;
		for(int i=1;i<=n;i++)cnt[rk[sa2[i]]]++;
		for(int i=1;i<=m;i++)cnt[i]+=cnt[i-1];
		for(int i=n;i>=1;i--)sa[cnt[rk[sa2[i]]]--]=sa2[i];//n->1
	}
	inline void buildsa(){
		m=128;//
		for(int i=1;i<=n;i++)rk[i]=a[i],sa2[i]=i;
		bucsort();
		for(int i=1,pos;i<=n&&pos<n;i<<=1,pos=0){
			pos=0;
			for(int j=n-i+1;j<=n;j++)sa2[++pos]=j;//
			for(int j=1;j<=n;j++)if(sa[j]>i)sa2[++pos]=sa[j]-i;
			bucsort();
			swap(rk,sa2);
			rk[sa[1]]=1,pos=1;
			for(int j=2;j<=n;j++)
				rk[sa[j]]=((sa2[sa[j]]==sa2[sa[j-1]])&&(sa2[sa[j]+i]==sa2[sa[j-1]+i])?pos:++pos);//[j-1]
			m=pos;
		}
		for(int i=1;i<=n;i++)rk[sa[i]]=i;
		for(int i=1,k=0,j;i<=n;ht[rk[i++]]=k)
			for(k?k--:0,j=sa[rk[i]-1];a[j+k]==a[i+k];k++);//a,rk[i]-1
	}
	void buildst(){lg[0]=-1;
		for(int i=1;i<=n;i++)lg[i]=lg[i>>1]+1;
		for(int i=1;i<=n;i++)st[0][i]=ht[i];
		for(int i=1;(1<<i)<=n;i++)
			for(int j=1;j+(1<<i)-1<=n;j++)
				st[i][j]=min(st[i-1][j],st[i-1][j+(1<<(i-1))]);
	}
	inline int lcp(int x,int y){
		x=rk[x],y=rk[y];
		if(x>y)swap(x,y);x++;//x+1
		int t=lg[y-x+1];
		return min(st[t][x],st[t][y-(1<<t)+1]);
	}
}

SAM

namespace SAM{
	int nxt[N][26],len[N],link[N],siz[N],tot,last;
	inline void init(){
		last=tot=1;
	}
	inline void insert(int c){
		int cur=++tot,p=last;last=cur;
		siz[cur]=1,len[cur]=len[p]+1;//p!=last
		for(;p&&!nxt[p][c];p=link[p])nxt[p][c]=cur;
		if(!p)link[cur]=1;
		else{
			int q=nxt[p][c];
			if(len[q]==len[p]+1)link[cur]=q;
			else {
				int clo=++tot;
				len[clo]=len[p]+1;link[clo]=link[q];
				memcpy(nxt[clo],nxt[q],sizeof(nxt[q]));
				for(;p&&nxt[p][c]==q;p=link[p])nxt[p][c]=clo;
				link[q]=link[cur]=clo;
			}
		}
	}
	int A[N],B[N];
	inline void getsiz(){//维护endpos大小
		for(int i=1;i<=tot;i++)A[len[i]]++;
		for(int i=1;i<=tot;i++)A[i]+=A[i-1];
		for(int i=1;i<=tot;i++)B[A[len[i]]--]=i;
		for(int i=tot;i>=1;i--)siz[link[B[i]]]+=siz[B[i]];
	}
}

理解 p a r e n t   t r e e parent\ tree parent tree D A G DAG DAG意义

.

  • 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