prim~(够5个了)

#include<iostream>

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<queue>
#include<algorithm>
#define MAXN 1000010
#define INF 10000010

using namespace std;

inline int read(){
    int f = 1, x = 0;char ch = getchar();
    while (ch > '9' || ch < '0'){if (ch == '-')f = -f;ch = getchar();}
    while (ch >= '0' && ch <= '9'){x = x * 10 + ch - '0';ch = getchar();}
    return x * f;
}

struct Edge{
	int to;
	int next;
	int w;
}edge[MAXN];

int n;
int m;
int head[MAXN];
int cnt=0;
int dis[MAXN];
int ans;
int visit[MAXN];

inline void add(int u,int v,int w){
	cnt++;
	edge[cnt].to=v;
	edge[cnt].w=w;
	edge[cnt].next=head[u];
	head[u]=cnt;
}

bool prim(){
	dis[1]=0;
	for(int i=1;i<=n;i++){
		int u=-1;
		int min=INF;
		for(int j=1;j<=n;j++){
			if(min>dis[j]&&!visit[j]){
				u=j;
				min=dis[j];
			}
		}
		if(u==-1){
			return false;
		}
		visit[u]=true;
		ans+=dis[u];
		for(int j=head[u];j;j=edge[j].next ){
			int t=edge[j].to ;
			if(!visit[t]&&dis[t]>edge[j].w) dis[t]=edge[j].w ;
		}
	}
	return true;
}

int main(){
	n=read();
	fill(dis,dis+n+1,INF);	
	m=read();
	for(int i=1;i<=m;i++){
		int u,v,w;
		u=read();
		v=read();
		w=read();
		add(u,v,w);
		add(v,u,w);
	}
	bool u=prim();
	if(!u){
		cout<<"orz"<<endl;
		return 0;
	}
	cout<<ans<<endl;
	return 0;
}


#include<cstdio>
#include<cstring>
#include<cmath>
#include<queue>
#include<algorithm>
#define MAXN 1000010
#define INF 10000010

using namespace std;

inline int read(){
    int f = 1, x = 0;char ch = getchar();
    while (ch > '9' || ch < '0'){if (ch == '-')f = -f;ch = getchar();}
    while (ch >= '0' && ch <= '9'){x = x * 10 + ch - '0';ch = getchar();}
    return x * f;
}

struct Edge{
    int to;
    int next;
    int w;
}edge[MAXN];

int n;
int m;
int head[MAXN];
int cnt=0;
int dis[MAXN];
int ans;
int visit[MAXN];

inline void add(int u,int v,int w){
    cnt++;
    edge[cnt].to=v;
    edge[cnt].w=w;
    edge[cnt].next=head[u];
    head[u]=cnt;
}

bool prim(){
    dis[1]=0;
    for(int i=1;i<=n;i++){
        int u=-1;
        int min=INF;
        for(int j=1;j<=n;j++){
            if(min>dis[j]&&!visit[j]){
                u=j;
                min=dis[j];
            }
        }
        if(u==-1){
            return false;
        }
        visit[u]=true;
        ans+=dis[u];
        for(int j=head[u];j;j=edge[j].next ){
            int t=edge[j].to ;
            if(!visit[t]&&dis[t]>edge[j].w) dis[t]=edge[j].w ;
        }
    }
    return true;
}

int main(){
    n=read();
    fill(dis,dis+n+1,INF);    
    m=read();
    for(int i=1;i<=m;i++){
        int u,v,w;
        u=read();
        v=read();
        w=read();
        add(u,v,w);
        add(v,u,w);
    }
    bool u=prim();
    if(!u){
        cout<<"orz"<<endl;
        return 0;
    }
    cout<<ans<<endl;
    return 0;
}
 

链式向前星

  • 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
Prim算法是一种求解最小生成树的经典算法,其基本思想是从一个点出发,每次选取与当前生成树距离最近的点加入生成树,直到所有点都被加入生成树。下面是用Python实现Prim算法的代码实例: ```python #定义Prim算法函数 def Prim(graph): nodes = list(graph.keys()) visited = [nodes] unvisited = nodes[1:] tree = [] while unvisited: min_weight = float('inf') for node_visited in visited: for node_unvisited in unvisited: if graph[node_visited][node_unvisited] < min_weight: min_weight = graph[node_visited][node_unvisited] edge = (node_visited, node_unvisited) tree.append(edge) visited.append(edge) unvisited.remove(edge) return tree #测试代码 graph = {'A': {'B': 7, 'D': 5}, 'B': {'A': 7, 'C': 8, 'D': 9, 'E': 7}, 'C': {'B': 8, 'E': 5}, 'D': {'A': 5, 'B': 9, 'E': 15, 'F': 6}, 'E': {'B': 7, 'C': 5, 'D': 15, 'F': 8, 'G': 9}, 'F': {'D': 6, 'E': 8, 'G': 11}, 'G': {'E': 9, 'F': 11}} tree = Prim(graph) print(tree) ``` 以上代码中,我们定义了一个Prim算法函数,传入一个图(用字典表示),返回一个最小生成树的边集。具体实现过程是:首先选取第一个节点作为已访问节点,将其加入已访问节点集合visited中,其余节点加入未访问节点集合unvisited中。然后在未访问节点集合中寻找与已访问节点集合中距离最近的节点,将它们之间的边加入生成树的边集中。接着将这个新加入的节点加入已访问节点集合中,并从未访问节点集合中删除。循环此过程直到未访问节点集合为空,此时返回生成树的边集即可。
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