NOJ coder的音乐烦恼--字符串处理

 

http://acm.nit.net.cn/showproblem.jsp?pid=1366

问题描述:
  输入1个数N(1 <= N <= 5000),表示歌曲数.接下来共有N行,每行包括一个字符串m
(长度小于50字节,可能有中文,一个中文字占2个字节),以及一个数字p(p <= INT_MAX)。
m表示歌曲名,p表这首歌的优先级(1,2,3...),数字越小优先级就越高.优先级<=0的歌
曲是coder不喜欢的.保证不存在两首歌优先级相同的情况.保证不存在两首歌名称相同的情
况.
  输出一个k,表示coder同学喜欢听的歌曲的数量.接下去k行,优先级从高到低,每行输出
coder同学喜欢听的音乐名称.

SAMPLE INPUT
2
月亮至上 -1
because of you 1
6
太早 3
不完整的旋律 4
第一个清晨 1
18 and life 2
still'loving 6
我恨你 5

SAMPLE OUTPUT
1
because of you
6
第一个清晨
18 and life
太早
不完整的旋律
我恨你
still'loving

 

 

#include<iostream>
#include<algorithm>
#include<string>
#include<cmath>

using namespace std;

int const ic_max = 5001;

struct stuNode
{
	int iPriority;//优先级
	string strSong;//歌曲名
};

void vInputData(int iN,stuNode stuSong[]);
void vGetData(string strT,stuNode& stuSong);
bool bCmp(const stuNode& stuA,const stuNode& stuB);
void vPrintAns(int iN,stuNode stuSong[]);

int main()
{
	int iNum;
	stuNode stuSong[ic_max];

	while(cin >> iNum)
	{
		vInputData(iNum,stuSong);
		sort(stuSong+1,stuSong+1+iNum,bCmp);
		vPrintAns(iNum,stuSong);
	}

	return 0;
}

void vInputData(int iN,stuNode stuSong[])
{
	string strTemp;

	getchar();
	for(int i=1; i<=iN; i++)
	{
		getline(cin,strTemp);//默认/n
		vGetData(strTemp,stuSong[i]);
	}
}

void vGetData(string strT,stuNode& stuSong)
{
	int iPrio;
	int iBlank;//标记最后一个空格的位置
	string strPrio;//获取优先级的字符串形式

	iPrio = 0;
	//获取最后一个空格的位置
	for(int i=strT.size()-1; i>=0; i--)
	{
		if(strT[i] == ' ')
		{
			iBlank = i;
			break;
		}
	}
	//截取相应子段
	stuSong.strSong = strT.substr(0,iBlank);
	strPrio = strT.substr(iBlank+1,strT.size()-iBlank);
	//将字符串转换为数字
	for(int i=strPrio.size()-1; i>=0; i--)
	{
		if(strPrio[i] == '-')
		{
			iPrio *= -1;
		}
		iPrio += (strPrio[i]-'0') * (int)pow(10.0,1.0*(strPrio.size()-1-i));
	}
	stuSong.iPriority  = iPrio;
}

bool bCmp(const stuNode& stuA,const stuNode& stuB)
{
	return stuA.iPriority < stuB.iPriority;
}

void vPrintAns(int iN,stuNode stuSong[])
{
	int iTotal;

	iTotal = iN;
	//获取优先级<=0的个数
	for(int i=1; i<=iN; i++)
	{
		if(stuSong[i].iPriority <= 0)
			iTotal --;
		else
			break;
	}
	cout << iTotal << endl;
	for(int i=iN-iTotal+1; i<=iN; i++)
	{
		cout << stuSong[i].strSong << endl;
	}
} 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 标检测的定义 标检测(Object Detection)的任务是找出图像中所有感兴趣的标(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,标检测一直是计算机视觉领域最具有挑战性的问题。 标检测任务可分为两个关键的子任务,标定位和标分类。首先检测图像中标的位置(标定位),然后给出每个标的具体类别(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 前主流的基于深度学习的标检测算法主要分为两类:Two stage和One stage。Two stage方法将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标进行预先筛选。 常见的One stage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) 标检测模型一般会给出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