1017 - 树分治 - Tree(POJ 1741)

传送门

 

分析

分治是个好东西,树分治也很妙,其擅长解决树上路径一类的问题

在这里主要是用的点分治(据说比边分治简单)

其实其思想不过也就是将一个大问题,不停的分割分割成子问题,然后需要注意(思考)的就是两个子问题之间产生答案

挪到树上

我们就分为两种情况

  1. 处理过重心的路径
  2. 处理子树中的路径

 

事实证明,TLE从来都不是卡常的锅,你见过哪道题是需要卡常才能A的???

一般TLE都是写挂了……比如在下

 

代码

此题不开long long也是可以的

#include<cstdio>
#include<cmath>
#include<algorithm>
#define N 10009
#define in read()
#define ll long long
using namespace std;
inline int read(){
	char ch;int f=1,res=0;
	while((ch=getchar())<'0'||ch>'9') if(ch=='-') f=-1;
	while(ch>='0'&&ch<='9'){
		res=(res<<3)+(res<<1)+ch-'0';
		ch=getchar();
	}
	return f==1?res:-res;
}
int n,lim;
int nxt[N*2],to[N*2],head[N],w[N*2],ecnt=0;
void add(int x,int y,int z){nxt[++ecnt]=head[x];head[x]=ecnt;to[ecnt]=y;w[ecnt]=z;}

int sze[N],fa[N],d[N],dis[N],son[N],G,minn,num=0;
bool vis[N];
ll ans=0;

void dfssize(int u,int fu){//得到子树大小,及子树中sze最大的那一个
	sze[u]=1;son[u]=0;
	for(int e=head[u];e;e=nxt[e]){
		int v=to[e];
		if(vis[v]||(v==fu)) continue;
		dfssize(v,u);
		sze[u]+=sze[v];
		if(sze[v]>son[u]) son[u]=sze[v];
	}
}

void dfsG(int rt,int u,int fu){//寻找当前图的重心
	if(sze[rt]-sze[u]>son[u]) son[u]=sze[rt]-sze[u];
	if(son[u]<minn) minn=son[u],G=u;
	for(int e=head[u];e;e=nxt[e]){
		int v=to[e];
		if(vis[v]||(v==fu)) continue;
		dfsG(rt,v,u);
	}
}

void dfsdis(int u,int fu){//寻找每个节点到G的距离
	d[num++]=dis[u];
	for(int e=head[u];e;e=nxt[e]){
		int v=to[e];
		if(vis[v]||(v==fu)) continue;
		dis[v]=dis[u]+w[e];
		dfsdis(v,u);
	}
}
ll calc(int rt,int L){
	ll res=0;num=0;
	dis[rt]=L;
	dfsdis(rt,0);
	sort(d,d+num);
	int l=0,r=num-1;
	while(l<r){
		if(d[l]+d[r]<=lim) {
			res+=r-l;//不能算自己
			l++;
		}
		else r--;
	}
	return res;
}
void solve(int u){
	minn=n;
	dfssize(u,0);
	dfsG(u,u,0);//以 u 为根的子树,寻找当前的重心 
	vis[G]=1;
	ans+=calc(G,0);
	for(int i=head[G];i;i=nxt[i]){
		if(!vis[to[i]]) {
			ans-=calc(to[i],w[i]);
			solve(to[i]);
		}
	}	
}
int main(){
	while(1){
		n=in;lim=in;
		if(!n&&!lim) break;
		int i,j,k;
		num=ecnt=0;
		for(i=1;i<=n;++i) vis[i]=0,head[i]=0;
		for(i=1;i<n;++i){
			int u=in,v=in,z=in;
			add(u,v,z);add(v,u,z);
		}
		ans=0;
		solve(1);
		printf("%lld\n",ans);		
	}
	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