BZOJ1396: 识别子串(后缀自动机 线段树)

题意

题目链接

Sol

后缀自动机+线段树

还是考虑通过每个前缀的后缀更新答案,首先出现次数只有一次,说明只有\(right\)集合大小为\(1\)的状态能对答案产生影响

设其结束位置为\(t\),代表的最短/最长后缀的位置为\(l, r\)(l在r的右边)

那么对于区间\(r - l\)内的\(x\)位置,可以用\(t - x+1\)更新答案

对于区间\(l - t\)内的位置,可以用\(l\)更新答案

这两种情况不好一起弄(因为第一种情况肯定要把\(x\)提出来),那么直接开两棵线段树就行了

#include<bits/stdc++.h>
#define chmin(a, b) (a = (a < b ? a : b))
#define chmax(a, b) (a = (a > b ? a : b))
using namespace std;
const int MAXN = 1e5 + 10, INF = 1e9 + 10;
char s[MAXN];
int N, fa[MAXN << 1], len[MAXN << 1], ch[MAXN << 1][26], pos[MAXN << 1], siz[MAXN << 1], las = 1, root = 1, tot = 1;
vector<int> v[MAXN << 1];
void insert(int x, int id) {
    int now = ++tot, pre = las; las = now; pos[now] = id;
    len[now] = len[pre] + 1;
    for(; pre && !ch[pre][x]; pre = fa[pre]) ch[pre][x] = now;
    if(!pre) fa[now] = root;
    else {
        int q = ch[pre][x];
        if(len[pre] + 1 == len[q]) fa[now] = q;
        else {
            int ns = ++tot; len[ns] = len[pre] + 1; fa[ns] = fa[q]; 
            memcpy(ch[ns], ch[q], sizeof(ch[q]));
            for(; pre && ch[pre][x] == q; pre = fa[pre]) ch[pre][x] = ns;
            fa[now] = fa[q] = ns;
        }
    }
    siz[now] = 1;
}
void dfs(int x) {
    for(int i = 0; i < v[x].size(); i++) {
        int to = v[x][i];
        dfs(to); siz[x] += siz[to];
    }
}
void Build() {
    for(int i = 2; i <= tot; i++) v[fa[i]].push_back(i);
    dfs(root);
}

struct SegTree {
#define ls k << 1
#define rs k << 1 | 1
    struct Node {
        int l, r, mn, f;
        Node() {
            mn = f = INF;
        }
    }T[MAXN << 2];
    void Build(int k, int ll, int rr) {
        T[k].l = ll; T[k].r = rr; 
        if(ll == rr) return ;
        int mid = ll + rr >> 1;
        Build(ls, ll, mid); Build(rs, mid + 1, rr);
    }
    void ps(int k, int val) {
        chmin(T[k].f, val); 
        chmin(T[k].mn, val);
    }
    void pushdown(int k) {
        if(T[k].f == INF) return ;
        ps(ls, T[k].f); 
        ps(rs, T[k].f);
        T[k].f = INF;
    }
    void IntMin(int k, int ll, int rr, int val) {
        if(ll <= T[k].l && T[k].r <= rr) {ps(k, val); return ;}
        pushdown(k); 
        int mid = T[k].l + T[k].r >> 1;
        if(ll <= mid) IntMin(ls, ll, rr, val);
        if(rr  > mid) IntMin(rs, ll, rr, val);
    }
    int PointQuery(int k, int pos) {
        if(T[k].l == T[k].r) return T[k].mn;
        pushdown(k);
        int mid = T[k].l + T[k].r >> 1;
        if(pos <= mid) return PointQuery(ls, pos);
        if(pos  > mid) return PointQuery(rs, pos);
    }
}T[2];
int main() {
    //freopen("10.in", "r", stdin);freopen("a.out", "w", stdout); 
    scanf("%s", s + 1); N = strlen(s + 1);
    for(int i = 1; i <= N; i++) insert(s[i] - 'a', i);
    T[0].Build(1, 1, N); T[1].Build(1, 1, N);
    Build();
    for(int i = 2; i <= tot; i++) {
        if(siz[i] != 1) continue;
        int l = pos[i] - len[i] + 1, r = pos[i] -  len[fa[i]];
        T[0].IntMin(1, l, r, pos[i] + 1);
        T[1].IntMin(1, r, pos[i], pos[i] - r + 1);
    }
    static int mn[MAXN];
    memset(mn, 0x3f, sizeof(mn));
    for(int i = 1; i <= N; i++) {
        chmin(mn[i], T[0].PointQuery(1, i) - i);
        chmin(mn[i], T[1].PointQuery(1, i));
    }
    for(int i = 1; i <= N; i++) printf("%d\n", mn[i]);
    return 0;
}
/*
aaa
*/

转载于:https://www.cnblogs.com/zwfymqz/p/10120334.html

  • 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