2017 Multi-University Training Contest No.4

Time To Get Up

题面

Little Q’s clock is alarming! It’s time to get up now! However, after reading the time on the clock, Little Q lies down and starts sleeping again. Well, he has
5alarms, and it’s just the first one, he can continue sleeping for a while.

Little Q’s clock uses a standard 7-segment LCD display for all digits, plus two small segments for the ”:”, and shows all times in a 24-hour format. The ”:” segments are on at all times.

Your job is to help Little Q read the time shown on his clock.

Input

The first line of the input contains an integer
T (1≤T≤1440)
denoting the number of test cases.
In each test case, there is an
7×21
ASCII image of the clock screen.

All digit segments are represented by two characters, and each colon segment is represented by one character. The character ”X” indicates a segment that is on while ”.” indicates anything else. See the sample input for details.

Output

For each test case, print a single line containing a string t in the format of HH:MM, where t(00:00≤t≤23:59),denoting the time shown on the clock.

Sample Input

1
.XX…XX…..XX…XX.
X..X….X……X.X..X
X..X….X.X….X.X..X
……XX…..XX…XX.
X..X.X….X….X.X..X
X..X.X………X.X..X
.XX…XX…..XX…XX.

Sample Out

02:38

THIS IS SAMPLE

上图是CLOCK的模型

这道模拟题我的思路是检测出四个数字就行,那么对于每个数字如上图,如何确定它的值?
可以这样模拟:
LED上有七个显示条,我们定义从上到下三个横杠为1,2,3;左到右是4,5,6,7;
那么0~9的识别码是可以这样表示

  1. 1011111 0
  2. 0000011 1
  3. 1110110 2
  4. 1110011 3
  5. 0101011 4
  6. 1111001 5
  7. 1111101 6
  8. 1000011 7
  9. 1111111 8
  10. 1111011 9
#include<bits/stdc++.h>
using namespace std;
char rec[7][21];
//0,1 3,1 6,1 ; 1,0; 4,0 1,3 4,3
//1011111 0
//0000011 1
//1110110 2
//1110011 3
//0101011 4
//1111001 5
//1111101 6
//1000011 7
//1111111 8
//1111011 9
int chc[7][2]={{0,1},{3,1},{6,1 } ,{1,0 } ,{4,0} , {1,3} ,{4,3}};//七个检测点相对于顶点的位置
int pt[4][2]={{0,0}, {0,5} ,{0,12} ,{0,17} };  //四个顶点的位置
int screen[4];  //转换的数字
int num(int x,int y)   //获得识别码
{
    int sum=0;
    int cnt=1000000;
    for(int i=0;i<7;i++)
    {
        int ansx=chc[i][0];
        int ansy=chc[i][1];
        if(rec[x+ansx][y+ansy]=='X') sum+=cnt;
        cnt/=10;
    }
    return sum;
}
int true_time(int ans)  //转换识别码
{
    if(ans==1011111) return 0;
    if(ans==11) return 1;
    if(ans==1110110) return 2;
    if(ans==1110011) return 3;
    if(ans==101011) return 4;
    if(ans==1111001) return 5;
    if(ans==1111101) return 6;
    if(ans==1000011) return 7;
    if(ans==1111111) return 8;
    if(ans==1111011) return 9;
    return -1;
}
int get_screen()   //开始转换并输出
{
    for(int i=0;i<4;i++)
    {
        int x=pt[i][0];
        int y=pt[i][1];
        screen[i]=true_time(num(x,y));
    }
    cout<<screen[0]<<screen[1]<<':'<<screen[2]<<screen[3]<<endl;
}
int main()
{
    //freopen("fk1.txt","w",stdout);
    int t;
    cin>>t;
    while(t--)
    {

        for(int i=0;i<7;i++)
        {
            for(int j=0;j<21;j++)
            {
                cin>>rec[i][j];
            }
        }
        get_screen();

    }
    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