POJ 3160 Father Christmas flymouse 强联通

说实话,真心没看懂题目是什么意思,在搜了一下后终于搞懂了,就是给一个无向图,每个点有一个权(可为负),让你仍选一条路径走,去访问别的点,到达该点的时候可以选择得到权或者放弃,求使得获得的权最大的值 ;赶脚有一点树形DP在里面;

思路:强联通求缩点,并把每个缩点出发的最大值求出来,最大的节点即为所求;

#include <iostream>
#include <cstdio>
#include <cstring>
#include <vector>
using namespace std ;

const int N = 30000 + 11 ;
const int M = 150000 + 11 ;

struct Greaph {
	struct Edge {
		int e ;
		int next ;
	};

	Edge err[M] ; int head[N] ; int idx ;
	int instack[N] ; int dfn[N] ; int low[N] ; int visit_time ; int color ;
	vector<int> stk ;
	vector<int> arr[N] ;
	int power[N] ; int right[N] ;
	int maxn  ;
	int n , m ;

	void addinfo() {
		int a , b ;
		for(int i = 1 ; i <= n ; ++i) {
			arr[i].clear() ;
			scanf("%d" ,power+i) ;
			if(power[i] < 0) power[i] = 0 ;
		}
		while(m--) {
			scanf("%d%d" ,&a ,&b ) ;
			err[idx].e = b+1 ;
			err[idx].next = head[a+1] ;
			head[a+1] = idx++ ;
		}
	}

	void init() {
		memset(head , -1 , sizeof(head)) ;
		memset(instack , 0 , sizeof(instack)) ;
		visit_time = 0 , color = 2 , idx = 1 ;
		stk.clear() ;
		maxn = 0 ;
	}

	void dfs(int u) {
		stk.push_back(u) ;
		instack[u] = 1 ;
		dfn[u] = low[u] = ++visit_time ;
		for(int i = head[u] ; i != -1 ; i = err[i].next) {
			int e = err[i].e ;
			if(instack[e] == 0) {
				dfs(e) ;
				low[u] = min(low[u] , low[e]) ;
			}else if(instack[e] == 1) {
				low[u] = min(low[u] , dfn[e]) ;
			}
			if(instack[e] > 1) {
				arr[u].push_back(instack[e]) ;
			}
		}
		if(low[u] == dfn[u]) {
			right[color] = 0 ;
			int maxl = 0 , tmp ;
			while(stk.back() != u) {
				tmp = stk.back() ;
				stk.pop_back() ;
				right[color] += power[tmp] ;
				instack[tmp] = color ;
				for(int j = 0 ; j < arr[tmp].size() ; ++j) {
					maxl = max(maxl , right[arr[tmp][j]]) ;
				}
			}
			stk.pop_back() ;
			for(int j = 0 ; j < arr[u].size() ;++j) {
				maxl = max( maxl , right[arr[u][j]]) ;
			}
			right[color] += (power[u] + maxl) ;
			maxn = max(maxn , right[color]) ;
			instack[u] = color++ ;
		}
	}

	void std_fun() {
		init() ;
		addinfo() ;
		for(int i = 1 ; i <= n ; ++i) {
			if(instack[i] == 0) dfs(i) ;
		}
		printf("%d\n" , maxn) ;
	}
}g ;

int main() {//freopen("data.in" , "r" , stdin) ;
	while(scanf("%d%d" ,&g.n ,&g.m)==2) {
		g.std_fun() ;
	}
}


  • 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,并利用这些特征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,将置信度分数小于阈的直接过滤掉 将剩下框的置信度分数从大到小排序,选中最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈(一般为0.7),就将框删除(超过设定阈,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即均平均精度,是评估目标检测模型效果的最重要指标,这个介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均,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(Confidence Threshold)和IoU阈(一般设置为0.5,也会衡量0.75以及0.9的mAP): 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(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个有多个预测结果时,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 Recall表示TP与真实边界框数量的比 改变不同的置信度阈,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