JZOJ 4737. 金色丝线将瞬间一分为二 二分答案

Description
 
Input
Output
 
Sample Input
5 10
1 1
2 2
3 3
4 4
5 5
Sample Output
4
 
Data Constraint
 
做法:横纵显然互不影响,先思考二分答案后,我们对前ans个点排序,每个点贡献为i*x-sum[i],sum[i]为前缀和,可这样会超时,而复杂度主要来自排序,
所以我们考虑先排序,然后记录排名,每次二分答案后就可以用小学生排序。
 
代码如下:
 1 #include <cstdio>
 2 #include <iostream>
 3 #include <cstring>
 4 #define N 600007
 5 #define LL long long
 6 #define rep(i,a,b) for(int i=a;i<=b;i++)
 7 #include <algorithm>
 8 using namespace std;
 9 int n;
10 LL d, Qx[N], Qy[N],Sumx[N],Sumy[N];
11 struct arr{
12     LL val;
13     int site;
14 }a[N],b[N];
15 
16 int Cmp(arr x,arr y){
17     return x.val<y.val;
18 }
19 
20 bool Check(int ain){
21     LL sum=0;
22     rep(i,1,n){
23         if(a[i].site<=ain) Qx[++Qx[0]]=a[i].val;
24         if(b[i].site<=ain) Qy[++Qy[0]]=b[i].val;
25     }
26     rep(i,1,ain){
27         Sumx[i]=Sumx[i-1]+Qx[i];
28         sum+=Qx[i]*i-Sumx[i];
29         Sumy[i]=Sumy[i-1]+Qy[i];
30         sum+=Qy[i]*i-Sumy[i];
31     }
32     Qx[0]=Qy[0]=0;
33     rep(i,1,ain){
34         Qx[i]=Qy[i]=0;
35         Sumx[i]=Sumy[i]=0;
36     }
37     if(sum>=d) return 1; else return 0;
38 }
39 
40 void Work(){
41     int l=1,r=n;
42     for(;l<r;){
43         int mid=(l+r)/2;
44         if(Check(mid)) r=mid; else l=mid+1;
45     }
46     if(l!=n) printf("%d",l);
47     else printf("-1");
48 }
49 
50 int main(){
51     scanf("%d%lld",&n,&d);
52     rep(i,1,n)
53         scanf("%lld%lld", &a[i].val,&b[i].val),a[i].site=i,b[i].site=i;
54     sort(a+1,a+n+1,Cmp);
55     sort(b+1,b+n+1,Cmp);
56     Work();
57 }
View Code

 

转载于:https://www.cnblogs.com/traveller-ly/p/9514345.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
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