7连-DAY 4 总结

时 间 规 划 时间规划
6 : 00 − 7 : 00 6:00-7:00 6:007:00:看 T 1 T1 T1,一开始不知道怎么做,后来手推了样例后,发现可以矩阵分割,每个小矩阵找出一个“代表”,让所有“代表”的值相加,就是最终答案。
7 : 00 − 7 : 50 7:00-7:50 7:007:50:专心致志搞 T 2 T2 T2,脑子里闪过很多想法,但觉得都不对,陷于如何把当前是 3 3 3的格子全填满的问题中去了,没找到很好的方法,就放弃了。
7 : 50 − 8 : 00 7:50-8:00 7:508:00:看 T 3 T3 T3,感觉不是特别难,又感觉很难,想了一个贪心但不知道对不对(结果证明,这个贪心就是正解),人傻了,连暴力分都不想写,于是转身搞 T 4 T4 T4
8 : 00 − 10 : 00 8:00-10:00 8:0010:00:看了 T 4 T4 T4,灵光一动,感觉和自己刚订完不久的题特像,于是就转换了一下DP形式,(预计的复杂度是过不去的,但事实证明, z r zr zr的评测机跑得是真快),搞完了。
反 思 反思
感觉自己挺懒的, T 3 T3 T3 20 p t s 20pts 20pts就是白给的,但不想写,觉得麻烦,就不了了之了, T 2 T2 T2的话,想到了正解的并查集和行列分形这个想法,但不会处理。似乎距正解就差了一步,又好像是离了万丈远。┓(;´_`)┏。
完结。

  • 1
    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