HDU 1026

#include <iostream>  
#include <queue>  
using namespace std;
#define M 105  
struct ppp {
	int x;
	int y;
	int times;
	friend bool operator < (ppp a, ppp b)
	{
		return a.times > b.times;
	}
};
struct Pre {
	int px, py;
}pre[M][M];
int r, c;
int gox[4] = { -1, 0, 1, 0 };
int goy[4] = { 0, 1, 0, -1 };
char map[M][M];
bool vis[M][M];
void bfs(int x, int y)
{
	int i, v;
	vis[x][y] = true;
	ppp ft, tp;
	pre[x][y].px = -1; 
	ft.x = x, ft.y = y, ft.times = 0;
	if (map[x][y] != '.')
		ft.times = map[x][y] - '0';
	priority_queue<ppp> q;
	q.push(ft);
	while (!q.empty())
	{
		ft = q.top();
		q.pop();
		if (ft.x == 0 && ft.y == 0)
		{
			printf("It takes %d seconds to reach the target position, let me show you the way.\n", ft.times);
			int key = 1, total = ft.times;
			x = ft.x, y = ft.y;
			while (pre[x][y].px != -1)
			{
				int tx = pre[x][y].px;
				int ty = pre[x][y].py;
				printf("%ds:(%d,%d)->(%d,%d)\n", key++, x, y, tx, ty);
				if (map[tx][ty] != '.')
					for (i = 0; i < map[tx][ty] - '0'; i++)
						printf("%ds:FIGHT AT (%d,%d)\n", key++, tx, ty);
				x = tx;
				y = ty;
			}
			return;
		}
		for (i = 0; i < 4; i++)
		{
			tp.x = ft.x + gox[i];
			if (tp.x < 0 || tp.x >= r)
				continue;
			tp.y = ft.y + goy[i];
			if (tp.y < 0 || tp.y >= c)
				continue;
			if (vis[tp.x][tp.y])
				continue;
			vis[tp.x][tp.y] = true;
			if (map[tp.x][tp.y] == 'X')
				continue;
			if (map[tp.x][tp.y] == '.')
				v = 1;
			else v = map[tp.x][tp.y] - '0' + 1;
			tp.times = ft.times + v;
			pre[tp.x][tp.y].px = ft.x;
			pre[tp.x][tp.y].py = ft.y;
			q.push(tp);
		}
	}
	puts("God please help our poor hero.");
}

int main()
{
	int i;
	while (~scanf("%d%d", &r, &c))
	{
		for (i = 0; i < r; i++)
			scanf_s("%s", map[i]);
		memset(vis, false, sizeof(vis));
		bfs(r - 1, c - 1);
		puts("FINISH");
	}
	return 0;
}

用bfs,然后找出能抵达终点的最短时间,途中打怪兽的时候,处理为停止不动,打几秒就停几秒,别的方向该怎么走就怎么走。这是一个不同的地方,想到就好说。途中还要记录路径,最后输出最短的。

  • 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