种瓜得瓜,种豆得豆 Gym - 102072H(线段树)

建立两个线段树,一个存当前年份的产量,一个存每年多算了多少产量。

最后答案  ans=当前产量*年数-多算的产量

 

ps:对于多算的产量,每年只能在一段连续的区间里加1,也就是说对于每一个点来说如果当前年份+1,那么当前年份多算了当年年份的数量。

一个点 初始为1

产量 1  1  1  2  2  3

年份 1  2  3  4  5  6

多算             3      5

我们从第3年产量+1,所以对于前3年我们每年都多算了1 一共多算了3,第5年同理

  

#include<bits/stdc++.h>

using namespace std;

#define int long long
#define ll long long
#define inf 0x3f3f3f3f
#define mem(a,b) memset(a,b,sizeof(a))
#define ls now<<1
#define rs now<<1|1
#define lson l,mid,ls
#define rson mid+1,r,rs

const int maxn=2e5+10;

int tree[maxn*4],T[maxn*4];
int lazy[maxn*4],LL[maxn*4];

void built(int l,int r,int now)
{
    int mid=(l+r)>>1;
    tree[now]=0;
    lazy[now]=0; 
    T[now]=0;
    LL[now]=0;
    if(l==r)
    {
        scanf("%lld",&tree[now]);
        return ;
    }
    built(lson);
    built(rson);
    tree[now]=tree[ls]+tree[rs];
}
void pushdown(int now,int l,int r)
{
    int mid=(l+r)>>1;
    if(lazy[now])
    {
        lazy[rs]+=lazy[now];
        lazy[ls]+=lazy[now];
        tree[ls]+=(mid-l+1)*lazy[now];
        tree[rs]+=(r-mid)*lazy[now];
        lazy[now]=0;
    }
}

void updata(int l,int r,int now,int L,int R,int c)
{
    int mid=(l+r)>>1;
    if(L<=l&&r<=R)
    {
        lazy[now]+=c;
        tree[now]+=c*(r-l+1);
        return ;
    }
    pushdown(now,l,r);
    if(L<=mid) updata(lson,L,R,c);
    if(R>mid)  updata(rson,L,R,c);
    tree[now]=tree[ls]+tree[rs];
}

int query(int l,int r,int now,int L,int R)
{
    int mid=(l+r)>>1;
    if(L<=l&&r<=R)
    {
        return tree[now];
    }
    pushdown(now,l,r);
    int ans=0;
    if(L<=mid) ans+=query(lson,L,R);
    if(R>mid) ans+=query(rson,L,R);
    tree[now]=tree[ls]+tree[rs];
    return ans;
}

void PUSH(int now,int l,int r)
{
    int mid=(l+r)>>1;
    if(LL[now])
    {
        LL[rs]+=LL[now];
        LL[ls]+=LL[now];
        T[ls]+=(mid-l+1)*LL[now];
        T[rs]+=(r-mid)*LL[now];
        LL[now]=0;
    }
}

void up(int l,int r,int now,int L,int R,int c)
{
    int mid=(l+r)>>1;
    if(L<=l&&r<=R)
    {
        LL[now]+=c;
        T[now]+=c*(r-l+1);
        return ;
    }
    PUSH(now,l,r);
    if(L<=mid) up(lson,L,R,c);
    if(R>mid)  up(rson,L,R,c);
    T[now]=T[ls]+T[rs];
}

int q(int l,int r,int now,int L,int R)
{
    int mid=(l+r)>>1;
    if(L<=l&&r<=R)
    {
        return T[now];
    }
    PUSH(now,l,r);
    int ans=0;
    if(L<=mid) ans+=q(lson,L,R);
    if(R>mid) ans+=q(rson,L,R);
    T[now]=T[ls]+T[rs];
    return ans;
}

#undef int
int main()
{
#define int long long
    int n;
    while(scanf("%lld",&n)!=EOF)
    {
        built(1,n,1);
        int m,mub=0;
        scanf("%lld",&m);
        for(int i=1;i<=m;i++)
        {
            char ch;
            int s,t;
            getchar();
            scanf("%c%lld%lld",&ch,&s,&t);
            if(ch=='Q')
            {
                if(mub) printf(" ");
                mub++;
                printf("%lld",query(1,n,1,s,t)*i-q(1,n,1,s,t));
            }
            else
            {
                updata(1,n,1,s,t,1);
                up(1,n,1,s,t,i);
            }
        }
        cout<<"\n";
    }

    return 0;
}

 

转载于:https://www.cnblogs.com/minun/p/11250278.html

  • 0
    点赞
  • 1
    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