洛谷八连测r3t1

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int maxn=200010;
const int mod=19260817;
typedef long long ll;
ll n,m,d[maxn],s[maxn],s1[maxn],b[maxn],x[maxn];
inline ll read(){
 ll num=0,flag=1; char ch=getchar();
 while(ch<'0'||ch>'9'){
  if(ch=='-') flag=-1;
  ch=getchar();
 }
 while(ch>='0'&&ch<='9') num=num*10+ch-'0',ch=getchar();
 return flag*num;
}
int main(){
 n=read(),m=read();
 for(int i=2;i<=n;i++){
  d[i]=read();
 }
 for(int i=1;i<=n;i++) b[i]=read();
 x[1]=1;
 for(int i=2;i<=n;i++){
  x[i]=x[i-1]+d[i];
 }
 for(int i=1;i<=n;i++){
  s[i]=s[i-1]+b[i];
  s[i]%=mod;
  s1[i]=s1[i-1]+(b[i]*x[i])%mod;
  s1[i]%=mod;
 }
 /*for(int i=1;i<=n;i++) cout<<x[i]<<' ';
 cout<<endl;
 for(int i=1;i<=n;i++) cout<<s[i]<<' ';
 cout<<endl;
 for(int i=1;i<=n;i++) cout<<s1[i]<<' ';
 cout<<endl;*/
 ll l,r,xx,ans;
 for(int i=1;i<=m;i++){
  xx=read(),l=read(),r=read();
  ans=0;
  if(xx<=l){
   ans=ans%mod+(s1[r]-s1[l-1])%mod;
   ans%=mod;
   ans=(ans%mod-((s[r]-s[l-1])%mod*x[xx]%mod)%mod+mod)%mod;
  }
  else if(xx>=r){
   ans=(ans%mod+((s[r]-s[l-1])%mod*x[xx]%mod)%mod)%mod;
   ans=(ans%mod-(s1[r]-s1[l-1])%mod
   )%mod;
  }
  else{
   ans=(ans%mod+(s1[r]-s1[xx])%mod)%mod;
   ans=(ans%mod-(s[r]-s[xx])%mod*x[xx]%mod)%mod;
   ans=(ans+((s[xx-1]-s[l-1])%mod*x[xx]%mod)%mod)%mod;
   ans=(ans%mod-(s1[xx-1]-s1[l-1])%mod)%mod;
  }
  cout<<ans<<endl;
 }
 return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检(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。以下是对目标检的详细阐述: 一、基本概念 目标检的任务是解决“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结果。 五、应用领域 目标检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(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。以下是对目标检的详细阐述: 一、基本概念 目标检的任务是解决“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结果。 五、应用领域 目标检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