Codeforces Round #288 (Div. 2) E. Arthur and Brackets

题目链接:http://codeforces.com/contest/508/problem/E

  输入一个n,表示有这么多对括号,然后有n行,每行输入一个区间,第i行的区间表示从前往后第i对括号的左括号跟右括号之间的距离在这个区间的范围内,问是否存在这样的括号序列.

我的做法是比较繁琐,稍微看了下别人的代码,比我的短,应该有更简单 的做法.我的做法是从后往前构造括号序列,每次添加一对括号之前,先把当前的括号序列扫一遍,例如这个括号序列:(())()((()))   ,很显然,现在我要新增一对括号上去的话,距离只能是:1,5,7,13,我扫一遍的目的就是扫出这些可能距离,然后判断这些可能的距离中的最小的而且满足在区间里面的距离,然后按照这个距离插入一对新的括号.为什么要最小的呢?因为虽然当前这些距离都是可行的,但是右括号插入的位置越靠后,产生的可行的距离的数目也就变少了,所以要靠前插入,给后面的插入制造更多的机会.

  1 #include<cstdio>
  2 #include<cstring>
  3 #include<iostream>
  4 #include<algorithm>
  5 #include<vector>
  6 #include<deque>
  7 using namespace std;
  8 typedef struct node
  9 {
 10     int flag;
 11     node *next;
 12 }Linklist;
 13 int n,inter[610][2],temp[2000];
 14 int reader(Linklist* head,int* temp)
 15 {
 16     int flag = 0,t = 0,f = 0;
 17     Linklist *p = head->next;
 18     while(p != NULL)
 19     {
 20         if(flag == 0)
 21         {
 22             temp[f++] = t;
 23             t = 0;
 24         }
 25         t++;
 26         flag += p->flag;
 27         p = p->next;
 28     }
 29     if(flag == 0)
 30         temp[f++] = t;
 31     return f;
 32 }
 33 void insert(Linklist* head,int tot)
 34 {
 35     int f = 0;
 36     Linklist *q = new Linklist;
 37     q->flag = 1;
 38     q->next = head->next;
 39     head->next = q;
 40     Linklist *p = head;
 41     while(tot--)
 42     p = p->next;
 43     Linklist *t = new Linklist;
 44     t->flag = -1;
 45     t->next = p->next;
 46     p->next = t;
 47 }
 48 void clean(Linklist *p)
 49 {
 50     if(p->next == NULL)
 51     {
 52         delete p;
 53         return ;
 54     }
 55     clean(p->next);
 56 }
 57 void print(Linklist *head)
 58 {
 59     Linklist *p = head->next;
 60     while(p!= NULL)
 61     {
 62         printf("%d ",p->flag);
 63         p = p->next;
 64     }
 65     puts("");
 66 }
 67 int  main()
 68 {
 69     while(scanf("%d",&n)!=EOF)
 70     {
 71         for(int i = 0;i < n;++i)
 72             scanf("%d%d",&inter[i][0],&inter[i][1]);
 73         int flag = 0,t = 0;
 74         Linklist *head = new Linklist;
 75         head->flag = 0;    //初始化头节点,头节点不存信息 
 76         head->next = NULL;
 77         int ans = 1;
 78         for(int i = n - 1;i >= 0;--i)
 79         {
 80             int num = reader(head,temp);   //返回的是temp中数值的个数
 81             int ff = 0,tot = 1;
 82             for(int j = 0;j < num;++j)
 83             {
 84                 tot += temp[j];
 85                 if(tot >= inter[i][0] && tot <= inter[i][1])
 86                 {
 87                     insert(head,tot);   //执行在0位置插入'('跟在tot位置插入')'
 88                     ff = 1;    //已找到满足的条件,退出
 89                     break;
 90                 }
 91             }
 92             if(ff == 0)
 93             {
 94                 ans = 0;
 95                 break;
 96             }
 97         }
 98         if(ans)
 99         {
100             Linklist *p = head->next;
101             while(p)
102             {
103                 printf(p->flag == 1? "(":")");
104                 p = p->next;
105             }
106             puts("");
107         }
108         else puts("IMPOSSIBLE");
109         clean(head);  //回收内存
110     }
111     return 0;
112 }    
View Code

 

转载于:https://www.cnblogs.com/xiaxiaosheng/p/4315581.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