2019牛客暑期多校训练营(第三场)F-Planting Trees

题目链接:F-Planting Trees
题意:给你一个n*n的矩形,每个点有一个值,求一个最大的矩形满足
矩形里面最大的值减去最小的值<=m
题解:枚举矩形上边界和下边界 同时维护当前上边界和下边界每一列的最大值和最小值,然后开两个单调队列来记录当前最大值和最小值的位置
2重循环遍历上边界和下边界 从第 i 行到第 j 行,然后遍历k(子矩阵从w列到第k列),从第一列到第n列,每次判断从w列到k列是否满足条件,如果不满足 就让w+1,直到满足

#include<iostream>
#include<algorithm>
using namespace std;
const int maxn = 505;
int m, n, t, a[maxn][maxn], i, j, w, k, ans;
int mn[maxn], mx[maxn];//第i行到j行,每列 最小 最大 的元素
int q1[maxn], q2[maxn], l1, r1, l2, r2; //最小 最大值下标 单调栈
int main()
{
	cin >> t;
	while (t--) {
		ans = 0;
		scanf("%d%d", &n, &m);
		for (i = 1; i <= n; i++) {
			for (j = 1; j <= n; j++) {
				scanf("%d", &a[i][j]);
			}
		}
		for (i = 1; i <= n; i++) {
			for (j = 1; j <= n; j++) { //mn和mx数组初始化
				mn[j] = a[i][j];
				mx[j] = a[i][j];
			}

			for (j = i; j <= n; j++) { //求第i行到第j行,每列的最大和最小值
				for (k = 1; k <= n; k++) { 
					mn[k] = min(mn[k], a[j][k]);
					mx[k] = max(mx[k], a[j][k]);
				}

				if ((j - i + 1)*n < ans) continue;
				l1 = l2 = 1, r1 = r2 = 0;
				for (k = w = 1; k <= n; k++) { //左边w列 右边k列
					while (l1 <= r1&&mn[q1[r1]] >= mn[k]) r1--; //最小值下标单调栈
					q1[++r1] = k;
					while (l2 <= r2&&mx[q2[r2]] <= mx[k]) r2--; //最大值下标单调栈
					q2[++r2] = k;

					while (w <= k && mx[q2[l2]] - mn[q1[l1]]>m) { //w到k列不满足条件,w+1,如果单调栈最低端序号<w,序号加上去
						w++;
						while (l1 <= r1&&q1[l1] < w) l1++;
						while (l2 <= r2&&q2[l2] < w) l2++;
					}
					if ((j - i + 1)*(n - w + 1)<ans) break;
					if (w <= k) ans = max(ans, (j - i + 1)*(k - w + 1));
				}
			}
		}
		printf("%d\n", ans);
	}
	return 0;
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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