uva 11419 SAM I AM

题意:

给出一个r * c的矩阵,某些格子中有坏蛋,一次操作可以灭掉一行或者一列上的全部坏蛋,问最少多少次操作可以灭掉所有的坏蛋并且输出每次的操作。

思路:

把每一个点拆成行与列两个点,然后两个点之间连边,就形成了一个二分图。用最少的操作去消灭所有的坏蛋,就是用最少的点去覆盖所有的边,转化成了二分图的最小点覆盖的问题。

二分图的最小点覆盖 = 二分图的最大匹配。

找二分图的最小点覆盖的具体方案有固定的流程:

首先执行一次匈牙利算法,找到最大匹配,然后每次都从X集合中一个没有匹配的点出发,走 未匹配边 -> 匹配边 -> 未匹配边 ->匹配边 ->……->匹配边,最后一定是以匹配边结尾的(没有增广路),因为已经找到了最大匹配。X集合中没有访问的点和Y集合中访问的点,就是要找的最小点覆盖的集合。

复杂度O(n^3)。

代码:

  1 #include <stdio.h>
  2 #include <string.h>
  3 #include <vector>
  4 #include <algorithm>
  5 using namespace std;
  6 
  7 const int N = 2005;
  8 
  9 vector<int> g[N];
 10 int link[N];
 11 bool vis[N];
 12 vector<int> vx,vy;
 13 
 14 bool dfs(int u)
 15 {
 16     vis[u] = 1;
 17     
 18     for (int i = 0;i < g[u].size();i++)
 19     {
 20         int v = g[u][i];
 21         
 22         if (!vis[v])
 23         {
 24             vis[v] = 1;
 25             if (link[v] == -1 || dfs(link[v]))
 26             {
 27                 link[v] = u;
 28                 link[u] = v;
 29                 return true;
 30             }
 31         }
 32     }
 33     
 34     return false;
 35 }
 36 
 37 int solve(int r,int c)
 38 {
 39     memset(link,-1,sizeof(link));
 40     
 41     int cnt = 0;
 42     
 43     int n = r + c;
 44     
 45     vx.clear();
 46     vy.clear();
 47     
 48     for (int i = 1;i <= n;i++)
 49     {
 50         if (link[i] == -1)
 51         {
 52             memset(vis,0,sizeof(vis));
 53             
 54             if (dfs(i)) cnt++;
 55         }
 56     }
 57     
 58     //for (int i = 1;i <= n;i++) printf("%d %d\n",i,link[i]);
 59     memset(vis,0,sizeof(vis));
 60     
 61     for (int i = r + 1;i <= n;i++)
 62     {
 63         if (link[i] == -1) dfs(i);
 64     }
 65     
 66     for (int i = 1;i <= r;i++) if (vis[i]) vx.push_back(i);
 67     for (int i = r + 1;i <= n;i++) if (!vis[i]) vy.push_back(i);
 68     
 69     return cnt;
 70 }
 71 
 72 int main()
 73 {
 74     int r,c,n;
 75     
 76     while (scanf("%d%d%d",&r,&c,&n) == 3)
 77     {
 78         if (r == 0 && c == 0 && n == 0) break;
 79         
 80         for (int i = 0;i <= r + c;i++)
 81         {
 82             g[i].clear();
 83         } 
 84         
 85         for (int i = 0;i < n;i++)
 86         {
 87             int x,y;
 88             
 89             scanf("%d%d",&x,&y);
 90             
 91             g[x].push_back(r+y);
 92             g[r+y].push_back(x);
 93         }
 94         
 95         int ans = solve(r,c);
 96         
 97         sort(vx.begin(),vx.end());
 98         sort(vy.begin(),vy.end());
 99         
100         printf("%d",ans);
101         
102         for (int i = 0;i < vx.size();i++)
103         {
104             printf(" r%d",vx[i]);
105         }
106         
107         for (int i = 0;i < vy.size();i++)
108         {
109             printf(" c%d",vy[i] - r);
110         }
111         
112         printf("\n");
113     }
114     
115     return 0;
116 }

 

转载于:https://www.cnblogs.com/kickit/p/8809098.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