codeforces 676C Vasya and String 贪心 尺取法

题目链接:http://codeforces.com/contest/676/problem/C

题意:

给出一个长度为n的字符串,只有字符'a'和'b'。最多能改变k个字符,即把'a'变成'b'或把'b'变成'a'。

问改变后的最长连续相同字符的字串长度为多少。

思路:

因为要使连续的相同字符最多,所以改变的字符肯定相同的,靠近的。

比如17 3

aaabbaabaaaabbbaa

如果改变b,那么改变的肯定是第1,2,3的b或第2,3,4的b或第3,4,5的b.....

所以然后就尺取法做就可以了。

 1 #include <bits/stdc++.h>
 2 using namespace std;
 3 int n, k;
 4 #define maxn 100010
 5 char s[maxn]; int len;
 6 struct Node
 7 {
 8     int l, r;
 9     void clear() {l = 0; r = 0;}
10 }a[maxn];
11 int cnt;
12 int slove(char c)
13 {
14     int sum = 0; cnt = 0;
15     if(s[0] == c) {a[cnt].l = 0; cnt++; sum = 0;}
16     else sum = 1;
17     for(int i = 1; i < len; i++)
18     {
19         if(s[i] == c){ a[cnt].l = sum; sum = 0; cnt++;}
20         else sum++;
21     }
22     
23     int tcnt = cnt-1;
24     if(s[len-1] == c) {a[tcnt].r = 0; tcnt--; sum = 0;}
25     else  sum = 1;
26     for(int i = len-2; i >= 0; i--)
27     {
28         if(s[i] != c) sum++;
29         else if(s[i] == c) {a[tcnt].r = sum; sum = 0; tcnt--;}
30     }
31 
32     int L = 0, R = k-1;
33     int ans = 0;
34     for(int i = L; i <= min(R, cnt-1); i++) ans += a[i].l;
35     ans += a[min(R, cnt-1)].r; ans += min(k, cnt); sum = ans;
36     while(L <= cnt-k-1)
37     {
38         sum -= a[L].l; sum += a[R+1].r;
39         L++; R++;
40         ans = max(sum, ans);
41     }
42     return ans;
43 }
44 int main() 
45 {
46     //freopen("in.txt", "r", stdin);
47     //freopen("out.txt", "w", stdout);
48     while(~scanf("%d%d", &n, &k))
49     {
50         scanf("%s", s); len = strlen(s);
51         if(k == 0)
52         {
53             int ans = 0, sum = 0; char prec = '#';
54             for(int i = 0; i < len; i++)
55             {
56                 if(s[i] != prec) {prec = s[i]; ans = max(ans, sum); sum = 1;}
57                 else sum++;
58             }
59             ans = max(ans, sum);
60             printf("%d\n", ans); continue;
61         }
62         int sum = 0;
63         for(int i = 1; i < len; i++)
64         {
65             if(s[i] == s[0]) sum++;
66         }
67         if(sum == len-1) printf("%d\n", len);
68         else printf("%d\n", max(slove('a'), slove('b')));
69     }
70     return 0;
71 }

 

转载于:https://www.cnblogs.com/titicia/p/5532937.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