NOI2019:Stay at Home

7.16 NOI D1

从同步赛开始更起好了

先看了一圈题目,发现T1非常可做,二次函数因为对称轴在\(x < 0\)的地方所以有跟一次函数类似的单调性,搞个单调队列维护一下似乎就可以了。大力码码码,过了大样例就没管了也没有拍。

然后T2和T3感觉都不太好做?

T2迷迷糊糊想到了最大值,然后大力map记搜,好像过不了300、10000?然后晚上粉兔告诉我先把状态搜出来就可以过了,然后35pts滚粗

T3一眼感觉很模拟费用流,然后大力想了想把费用流模型搞了出来,然后就去吃饭了就没有去想怎么模拟费用流,本来以为能过64结果只过了44……

100+35+44=179

晚上突然发现T3的模拟费用流十分思博,用set写了下,结果TTT,后面改成懒惰堆还是TTT,最后把最开始选择\(K\)对从用堆选变成用sort选才过……

7.17

从在家里颓变成到学校颓

日常没做什么事情,想起来自己还要准备%你赛,发现T1实在是过水于是各种找题换

7.18 NOI D2

不想写于是直接口胡然后懒得写了,去修%你赛的锅锅去了

分数大概是\(\max\{72,score_{KDTree}\}+40+36\)的样子

如果直接算72好像进了前100,要是切掉了D1T3好像就能踩队线……

果然还是智商不够

gzy和zsy进队了orz

一些闲话

一个人坐在机房里,才有心思想点事情。

半桶水晃着晃着一年就给晃完了。聚聚散散,高二只剩下了zsy,高一也只剩下原来的一般。

去年的这个时候,刚开始学栈和队列。拿着NOIP的462分一路停文化课。

THUWC、HNOI、CTS、APIO、THUSC、NOI,感觉自己经历了不少,又经历得太少。

还有一年路要走,却感觉自己的实力还是远远达不到标准。

已经走在独木桥上了,已经没有退路可言,

风暴将至,唯有迎风前行。

转载于:https://www.cnblogs.com/Itst/p/11183190.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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