省常中模拟 Test3 Day2

matrix

找规律

题意:给定一个 N*N 的只有 0 和 1 的矩阵,有 Q 个操作,分三种:1. 将某行上的所有数字取反;2. 将某列上的所有数字取反;3. 输出 sum{ a[i][j]*a[j][i] } mod 2。N <=1000,Q<=5*10^5。

解法:初看题目会觉得很棘手。然后可以发现,对于不在对角线上的点,a[i][j]*a[j][i] 会被累加两次(一次是在计算 (i, j) 时,另一次是在计算 (j, i) 时),由同余定理可知,无论 a[i][j] 或 a[j][i] 的值为多少,都不会影响到求余的结果。所以对角线上的 a(i, i) 才是影响结果的关键。当对角线上的 1 的个数为奇数时,答案就为 1;否则为 0。那么我们可以设一个变量 ans,ans 的初始值由扫描初始矩阵得到。每进行一次 1 或 2 操作,就将 ans 取反。遇到 3 操作直接输出即可。

 

steins

贪心

题意:给出一些顺序排列的长短不一的矩形,宽度都为 1,要用宽度为 1 的刷子进行横向或竖向填充,问最小填充次数使得所有矩形被完全填充。

初步解法:一个只能骗很少部分分的算法:每次选择高度最小的矩形,记其高度为 h,分别向左右进行横向填充,则这一步的填充次数为 h。不断重复此步骤。这种算法完全抛弃了竖向的填充方式,很明显拿不了多少分数。

正解:不算严格意义上的贪心,有点像贪心和动规的结合。对于区间 [l, r],找到区间内的最小高度 h,此时有两种决策:1. 用横向方式填充最短矩形,然后递归两个子区间;2. 用纵向方式填充区间内所有矩形。计算出两种决策分别的花费,取其较小值。

 

archer

扫描线+线段树

题意:求矩形并的面积。

初步解法:模拟。出题人很良心地给了 30 分。

正解:其实是很经典的题目,之前在书上也看到过类似的求矩形并的周长的方法(POJ 的 Picture 一题),但是从来没写过。

假设有一条扫描线,从左往右扫描,遇到矩形的入边就将其投影到线段树上,遇到矩形的出边就将其从线段树上删去。每次累加扫描到的相邻两条线段的横坐标之差与线段树上的总线段长度的乘积。

上面这段话很笼统,更详细地说:

  1. 将题目给的每个矩形拆分成左右两条边,记录边的长度、横坐标、是入边还是出边,并将所有边排序;
  2. 顺序枚举每条边,如果是入边就将其插入到线段树,如果是出边就将其从线段树中删除,具体实现:
    1. 为线段树的每个结点增加两个域:cover 与 total。cover 表示该线段(注意只是本结点而不包含子树)被完整地覆盖了多少次,total 表示该线段内 cover>0 的线段总长度;
    2. 每次插入一条线段,就将其对应的线段树结点的 cover 加 1;删除一条线段则反之。那么 cover>0 就表示该结点对应的线段被完全覆盖,则其 total = right-left;如果 cover=0 就表示该结点对应的线段没有被完全覆盖,但是有可能被部分覆盖,则其 total 由左右子树累加得到;
  3. 插入(删除)一条边后累加答案,累加的值为:本次扫描到的边的横坐标减去上次扫描到的边的横坐标乘以目前线段树中被覆盖的线段总长度,即 ans += (x(i)-x(i-1))*root.total。

转载于:https://www.cnblogs.com/lsdsjy/p/3917040.html

  • 0
    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
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