LightOJ1341 Aladdin and the Flying Carpet 约数相关问题


LightOJ1341 Aladdin and the Flying Carpet


标签

  • 约数相关问题

前言


简明题意

  • 给定n,b,求n的>=b的约数的对数。(n<=1e12)

思路

  • n的约数对数= d ( n ) / 2 d(n)/2 d(n)/2,这个应该是很显然的。如果n是完全平方数那么这个式子不对,但是题目说了只用找矩形而不用找正方形,因此不需要考虑n是完全平方数的情况。
  • n的约数对数求出来了,但是题目要求>=b的约数对数,怎么搞呢?这里我也想了半天没想明白
  • 很多人说直接算 d ( n ) d(n) d(n),再暴力算出n的<b的因子数。我想,题目给的数据是b<=1e12,这暴力枚举b就没了呀。然而我还是too native了,显然,如果b>sqrt(n),那么答案就是0,因此,b实际上最大是 n = 1 0 6 \sqrt{n}=10^6 n =106 ,暴力枚举并不会超时。
  • 但是仍然会T。这里需要两个小优化:
    1. 提前把质数筛出来,质因数分解时直接用筛出来的质数去分解
    2. 质因数分解那里,当n=1时,要直接跳出循环。这个优化加上可以快3000ms(震惊,怎么会快这么多嘛)

注意事项

  • 不要判断b*b<=n而应该判断b<= n \sqrt n n 。因为会溢出…

总结

  • 我还是too native了

AC代码

#include<cstdio>
#include<cmath>

const int maxn = 1e6 + 10;

bool no_prime[maxn];
int prime[maxn];
int shai(int n)
{
	int cnt = 0;
	
	for (int i = 2; i <= n; i++)
	{
		if (!no_prime[i])
			prime[++cnt] = i;

		for (int j = 1; j <= cnt && prime[j] * i <= n; j++)
		{
			no_prime[prime[j] * i] = 1;
			if (i % prime[j] == 0) break;
		}
	}
	return cnt;
}

void solve()
{
	int cnt = shai(maxn - 1);

	int t;
	scanf("%d", &t);
	for (int i = 1; i <= t; i++)
	{
		long long n, r;
		int b;
		scanf("%lld%d", &n, &b);
		if (b > sqrt(n))
		{
			printf("Case %d: 0\n", i);
			continue;
		}
		r = n;

		bool tag = 0;
		long long ans = 1;
		for (int i = 1; i <= cnt && 1ll * prime[i] * prime[i] <= r && n != 1; i++)
		{
			int p = prime[i];
			int cnt = 0;
			while (n % p == 0)
				n /= p, cnt++;
			ans *= (cnt + 1);

			if (n <= 1e6 && !no_prime[n])
			{
				tag = 1;
				ans *= 2;
				break;
			}
		}
		if (n != 1 && !tag)
			ans *= 2;
		ans /= 2;

		for (int i = 1; i < b; i++)
			if (r % i == 0) ans--;

		printf("Case %d: %lld\n", i, ans);
	}
}

int main()
{
	freopen("Testin.txt", "r", stdin);
	freopen("Testout.txt", "w", stdout);
	solve();
	return 0;
}
  • 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