BZOJ 3488 [ONTAK2010]Highways

题目链接

https://www.lydsy.com/JudgeOnline/problem.php?id=3488

题解

考虑每条边对答案的贡献。设询问为 l l l r r r

  1. l l l r r r不是祖先关系,那么能产生贡献的就是两端点分别在两个子树内的情况。
  2. l l l r r r是祖先关系,假设 l l l r r r的祖先,那么能产生贡献的就是一个端点在 r r r的子树内,另一个端点不在 l l l r r r路径上第一个点的子树内的情况。

因此,将边转化成二维平面上的点,询问转化成二维平面上的矩形,离线处理并树状数组维护即可。

代码

#include <cmath>
#include <cstdio>
#include <algorithm>

int read()
{
  int x=0,f=1;
  char ch=getchar();
  while((ch<'0')||(ch>'9'))
    {
      if(ch=='-')
        {
          f=-f;
        }
      ch=getchar();
    }
  while((ch>='0')&&(ch<='9'))
    {
      x=x*10+ch-'0';
      ch=getchar();
    }
  return x*f;
}

const int maxn=100000;
const int maxq=500000;
const int maxm=maxn*2+maxq*3;

struct data
{
  int x,l,r,op,id;

  data(int _x=0,int _l=0,int _r=0,int _op=0,int _id=0):x(_x),l(_l),r(_r),op(_op),id(_id){}

  bool operator <(const data &other) const
  {
    if(x==other.x)
      {
        return abs(op)<abs(other.op);
      }
    return x<other.x;
  }
};

int n,m,q,tot,dfn[maxn+10],fa[20][maxn+10],cnt,pre[maxn*2+10],now[maxn+10],son[maxn*2+10],tote,deep[maxn+10],ans[maxq+10],size[maxn+10];
data d[maxm+10];

namespace st
{
  int v[maxn+10];

  int lowbit(int x)
  {
    return x&(-x);
  }

  int modify(int x,int val)
  {
    while(x<=n)
      {
        v[x]+=val;
        x+=lowbit(x);
      }
    return 0;
  }

  int getsum(int x)
  {
    int res=0;
    while(x)
      {
        res+=v[x];
        x-=lowbit(x);
      }
    return res;
  }
}

int ins(int a,int b)
{
  pre[++tote]=now[a];
  now[a]=tote;
  son[tote]=b;
  return 0;
}

int dfs(int u,int f)
{
  dfn[u]=++cnt;
  fa[0][u]=f;
  deep[u]=deep[f]+1;
  size[u]=1;
  for(int i=now[u]; i; i=pre[i])
    {
      int v=son[i];
      if(v!=f)
        {
          dfs(v,u);
          size[u]+=size[v];
        }
    }
  return 0;
}

int getfa()
{
  for(int k=1; k<=18; ++k)
    {
      for(int i=1; i<=n; ++i)
        {
          fa[k][i]=fa[k-1][fa[k-1][i]];
        }
    }
  return 0;
}

int getlca(int x,int y)
{
  if(deep[x]<deep[y])
    {
      std::swap(x,y);
    }
  for(int k=18; k>=0; --k)
    {
      if(deep[fa[k][x]]>=deep[y])
        {
          x=fa[k][x];
        }
    }
  if(x==y)
    {
      return y;
    }
  for(int k=18; k>=0; --k)
    {
      if(fa[k][x]!=fa[k][y])
        {
          x=fa[k][x];
          y=fa[k][y];
        }
    }
  return fa[0][y];
}

int getson(int a,int b)
{
  for(int k=18; k>=0; --k)
    {
      if(deep[fa[k][a]]>deep[b])
        {
          a=fa[k][a];
        }
    }
  return a;
}

int main()
{
  n=read();
  for(int i=1; i<n; ++i)
    {
      int a=read(),b=read();
      ins(a,b);
      ins(b,a);
    }
  dfs(1,0);
  getfa();
  m=read();
  for(int i=1; i<=m; ++i)
    {
      int a=read(),b=read();
      d[++tot]=data(dfn[a],dfn[b],0,0,i);
      d[++tot]=data(dfn[b],dfn[a],0,0,i);
    }
  q=read();
  for(int i=1; i<=q; ++i)
    {
      int a=read(),b=read(),lca=getlca(a,b);
      if(dfn[a]>dfn[b])
        {
          std::swap(a,b);
        }
      if(a==b)
        {
          ans[i]=m<<1;
        }
      else if(a==lca)
        {
          d[++tot]=data(n,dfn[b],dfn[b]+size[b]-1,1,i);
          int c=getson(b,a);
          d[++tot]=data(dfn[c]-1,dfn[b],dfn[b]+size[b]-1,1,i);
          d[++tot]=data(dfn[c]+size[c]-1,dfn[b],dfn[b]+size[b]-1,-1,i);
        }
      else
        {
          d[++tot]=data(dfn[a]+size[a]-1,dfn[b],dfn[b]+size[b]-1,1,i);
          d[++tot]=data(dfn[a]-1,dfn[b],dfn[b]+size[b]-1,-1,i);
        }
    }
  std::sort(d+1,d+tot+1);
  for(int i=1; i<=tot; ++i)
    {
      if(d[i].op==0)
        {
          st::modify(d[i].l,1);
        }
      else
        {
          ans[d[i].id]+=d[i].op*(st::getsum(d[i].r)-st::getsum(d[i].l-1));
        }
    }
  for(int i=1; i<=q; ++i)
    {
      printf("%d\n",ans[i]+1);
    }
  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