松鼠的新家(JLOI2014)

  题目链接:https://www.luogu.org/problemnew/show/P3258

 

  题解: 

  直接树剖,然后维护差分序列。直接线段树维护序列的话复杂度是2个log,用差分的话就是1个log。

 

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#define LL long long
#define RI register int
using namespace std;
const int INF = 0x7ffffff ;
const int N = 300000 + 10 ;

inline int read() {
    int k = 0 , f = 1 ; char c = getchar() ;
    for( ; !isdigit(c) ; c = getchar())
      if(c == '-') f = -1 ;
    for( ; isdigit(c) ; c = getchar())
      k = k*10 + c-'0' ;
    return k*f ;
}
struct Edge {
    int to, next ;
}e[N<<1] ;
int head[N] ;
inline void add_edge(int x,int y) {
    static int cnt = 0 ;
    e[++cnt].to = y, e[cnt].next = head[x], head[x] = cnt ;
}
int n ; int hh[N] ;

int fa[N], dep[N], son[N], siz[N], top[N], wt[N], id[N] ;
inline void add_wt(int x) {
    static int cnt = 0 ;
    wt[++cnt] = 0, id[x] = cnt ;
}
void dfs1(int x,int f) {
    fa[x] = f, dep[x] = dep[f] + 1, siz[x] = 1 ;
    int y, maxx = 0 ;
    for(int i=head[x];i;i=e[i].next) {
        y = e[i].to ; if(y == f) continue ;
        dfs1(y,x) ;
        if(siz[y] > maxx) {
            maxx = siz[y], son[x] = y ;
        }
        siz[x] += siz[y] ;
    }
}
void dfs2(int x,int topf) {
    add_wt(x) ;
    top[x] = topf ;
    if(!son[x]) return ;
    dfs2(son[x],topf) ;
    int y ;
    for(int i=head[x];i;i=e[i].next) {
        y = e[i].to ;
        if(y == fa[x] || y == son[x]) continue ;
        dfs2(y,y) ;
    }
}
inline void change(int x,int y) {
    while(top[x] != top[y]) {
        if(dep[top[x]] < dep[top[y]]) swap(x,y) ;
        wt[id[top[x]]]++, wt[id[x]+1]-- ;
        x = fa[top[x]] ;
    }
    if(id[x] > id[y]) swap(x,y) ;
    wt[id[x]]++, wt[id[y]+1]-- ;
}

int main() {
    n = read() ;
    for(int i=1;i<=n;i++) hh[i] = read() ;
    int x, y, ans = 0 ;
    for(int i=1;i<n;i++) {
        x = read(), y = read() ;
        add_edge(x,y), add_edge(y,x) ;
    }
    dfs1(1,0) ; dfs2(1,1) ;
    for(int i=1;i<n;i++) {
        change(hh[i],hh[i+1]) ;
        wt[id[hh[i+1]]]--, wt[id[hh[i+1]]+1]++ ;
    }
    x = 0 ;
    for(int i=1;i<=n;i++) wt[i] += wt[i-1] ;
    for(int i=1;i<=n;i++) printf("%d\n",wt[id[i]]) ;
    return 0 ;
}
View Code

 

转载于:https://www.cnblogs.com/zub23333/p/8559763.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