BZOJ.1396.识别子串(后缀自动机/后缀数组 线段树)

题目链接

SAM:能成为识别子串的只有那些|right|=1的节点代表的串。
设这个节点对应原串的右端点为r[i],则如果|right[i]|=1,即\(s[\ [r_i-len_i+1,r_i-len_{fa_i} ]\sim r_i\ ]\)这些子串都出现一次。
那么对于[ r[i]-len[i]+1, r[i]-len[fa[i]] ]都可以用此时对应的长度(r-i+1)更新其最小值(这个维护每个位置最小的r就可以)。
对于位置[ r[i]-len[fa[i]]+1, r[i] ]可以用len[fa[i]]+1更新(这个直接维护最小值)。
所以建两棵线段树就可以了。

SA:在整个串中不重复出现,我们能想到height。对于一个位置i,以它为左端点能形成的最短的不重复出现串长度l=max(ht[i],ht[i+1])+1.
那么i能对区间i~i+l-2贡献l;包含i的子串长度>l时一定也只出现了一次,即可以对i+l-1~n贡献对应长度(p-i+1)的值。还是用线段树维护。

l==r的时候不能PushDown啊mdzz。

//32176kb   928ms
#include <cstdio>
#include <cstring>
#include <algorithm>
const int N=1e5+5,INF=1061109554;

struct Segment_Tree
{
    #define lson rt<<1
    #define rson rt<<1|1
    #define ToL l,m,rt<<1
    #define ToR m+1,r,rt<<1|1
    int mn[N<<2],tag[N<<2];
    Segment_Tree(){
        memset(mn,0x3f,sizeof mn), memset(tag,0x3f,sizeof tag);
    }
    inline void PushUp(int rt){
        mn[rt]=std::min(mn[lson],mn[rson]);
    }
    inline void Update(int x,int v){
        tag[x]=std::min(tag[x],v), mn[x]=std::min(mn[x],v);
    }
    inline void PushDown(int rt){
        Update(lson,tag[rt]), Update(rson,tag[rt]), tag[rt]=INF;
    }
    void Modify(int l,int r,int rt,int L,int R,int v)
    {//线段树都没一次写对→_→ 
        if(L>R) return;
        if(L<=l && r<=R){
            tag[rt]=std::min(tag[rt],v), mn[rt]=std::min(mn[rt],v); return;
        }
        if(tag[rt]<INF) PushDown(rt);
        int m=l+r>>1;
        if(L<=m) Modify(ToL,L,R,v);
        if(m<R) Modify(ToR,L,R,v);
//      PushUp(rt);
    }
}t1,t2;
struct Suffix_Automaton
{
    #define S N<<1
    int tot,las,fa[S],son[S][26],len[S],R[S],right[S],A[S],tm[S];
    char s[N];
    void Insert(int pos,int c)
    {
        int p=las,np=++tot;
        len[las=np]=len[p]+1, R[np]=pos, right[np]=1;
        for(; p&&!son[p][c]; p=fa[p]) son[p][c]=np;
        if(!p) fa[np]=1;
        else
        {
            int q=son[p][c];
            if(len[q]==len[p]+1) fa[np]=q;
            else
            {
                int nq=++tot; len[nq]=len[p]+1;
                memcpy(son[nq],son[q],sizeof son[q]);
                fa[nq]=fa[q], fa[q]=fa[np]=nq;
                for(; son[p][c]==q; p=fa[p]) son[p][c]=nq;
            }
        }
    }
    int Build()
    {
        las=tot=1, scanf("%s",s+1);
        int l=strlen(s+1);
        for(int i=1; i<=l; ++i) Insert(i,s[i]-'a');
        for(int i=1; i<=tot; ++i) ++tm[len[i]];
        for(int i=1; i<=l; ++i) tm[i]+=tm[i-1];
        for(int i=1; i<=tot; ++i) A[tm[len[i]]--]=i;
        for(int i=tot,x=A[tot],f,p; i; x=A[--i])
        {
            right[fa[x]]+=right[x];// R[fa[x]]=R[x];
            if(right[x]==1)
                f=fa[x], p=R[x], t1.Modify(1,l,1,p-len[f]+1,p,len[f]+1), t2.Modify(1,l,1,p-len[x]+1,p-len[f],p);
        }
        return l;
    }
}sam;

void Query(int l,int r,int rt)
{
    if(l==r) printf("%d\n",std::min(t1.mn[rt],t2.mn[rt]-l+1));
    else
    {
        if(t1.tag[rt]<INF) t1.PushDown(rt);
        if(t2.tag[rt]<INF) t2.PushDown(rt);
        Query(l,l+r>>1,rt<<1), Query((l+r>>1)+1,r,rt<<1|1);
    }
}

int main()
{
    int n=sam.Build(); Query(1,n,1);
    return 0;
}

转载于:https://www.cnblogs.com/SovietPower/p/9248486.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