Codeforces Beta Round #107(Div2)

该博客讨论了两个编程问题。第一个问题是关于从输入的电话号码中统计并输出出租车、披萨店和咖啡馆的最常联系人。第二个问题是关于判断一个数的因子情况,以确定在某种游戏中的胜者。博主分享了他们的解决方案和思路,包括代码实现和错误分析。
摘要由CSDN通过智能技术生成

Codeforces Beta Round #107(Div2)

B - Phone Numbers

这个题思路其实很简单,但是刚开始做的时候想复杂了,代码也写得很复杂。
用一个结构体,存入每个人每种电话出现的次数,对texi、pizza、girl三次遍历统计最多电话种类的个数。然后根据输入的顺序输出。
注意输出格式。

#include<bits/stdc++.h>
#define ll long long
using namespace std;
#define speed_up ios::sync_with_stdio(false);cin.tie(0);cout.tie(0);
struct data
{
    string na;
    int tt;
    int p;
    int g;
}d[105];
int main()
{
    int t;
    cin>>t;
    for(int i=0; i<t; i++)
    {
        int n;
        cin>>n>>d[i].na;
        for(int j=0; j<n; j++)
        {
            string m;
            cin>>m;
            if(m[0]==m[1]&&m[1]==m[3]&&m[3]==m[4]&&m[4]==m[6]&&m[6]==m[7])
            {
                d[i].tt++;
            }
            else if(m[0]>m[1]&&m[1]>m[3]&&m[3]>m[4]&&m[4]>m[6]&&m[6]>m[7])
            {
                d[i].p++;
            }
            else
            {
                d[i].g++;
            }
        }
    }
    int c=0;
    cout<<"If you want to call a taxi, you should call: ";
    for(int i=0;i<t;i++)
    {
        if(d[i].tt>c)c=d[i].tt;
    }
    //cout<<cc<<endl;
    int f=0;
    for(int i=0; i<t; i++)
    {
        if(c==d[i].tt)
        {
            if(f==0)
            {
                cout<<d[i].na;
                f=1;
            }
            else
            {
                cout<<", "<<d[i].na;
            }
        }

    }
    cout<<"."<<endl;

    cout<<"If you want to order a pizza, you should call: ";

    c=0;
    for(int i=0;i<t;i++)
    {
        if(d[i].p>c)c=d[i].p;
    }
    //cout<<cc<<endl;
    f=0;
    for(int i=0; i<t; i++)
    {
        if(c==d[i].p)
        {
            if(f==0)
            {
                cout<<d[i].na;
                f=1;
            }
            else
            {
                cout<<", "<<d[i].na;
            }
        }

    }
    cout<<"."<<endl;
    c=0;
    cout<<"If you want to go to a cafe with a wonderful girl, you should call: ";
    for(int i=0;i<t;i++)
    {
        if(d[i].g>c)c=d[i].g;
    }
    //cout<<cc<<endl;
    f=0;
    for(int i=0; i<t; i++)
    {
        if(c==d[i].g)
        {
            if(f==0)
            {
                cout<<d[i].na;
                f=1;
            }
            else
            {
                cout<<", "<<d[i].na;
            }
        }

    }
    cout<<"."<<endl;
}

C - Win or Freeze

如果是素数就输出:
1
0
有两个以上素数因子:
1赢,输出任意两个素数因子
只有两个因子:2赢
自己写的代码,wa7了

#include<bits/stdc++.h>
#define ll long long
using namespace std;
#define speed_up ios::sync_with_stdio(false);cin.tie(0);cout.tie(0);
ll f(int n)
{
    if(n==2||n==3)
        return 1;
    if(n==1||n%2==0)
        return 0;
    if(n%6!=1&&n%6!=5)
        return 0;
    for(int i=5; i<sqrt(n)+1; i+=6)
    {
        if(i%2==0||(i+1)%2==0)
            return 0;
    }
    return 1;
}
int main()
{
    ll q,x;
    cin>>q;
    if(f(q)||q==1)
        cout<<1<<endl<<0<<endl;
    else
    {
        vector<ll>v;
        int ff=0;
        for(ll i=2; i<sqrt(q)+1; i++)
        {
            while(q%i==0)
            {
                if(f(i))
                {
                    v.push_back(i);
                    cout<<i<<endl;
                }
                q/=i;
            }
            if(f(q))v.push_back(q);
            if(v.size()>2)
            {
                cout<<1<<endl<<v[0]*v[1]<<endl;
                ff=1;
                break;
            }
        }
        if(ff==0)
        {
            cout<<2<<endl;
        }
    }
}
  • 1
    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