[CQOI2013]图的逆变换

这篇博客详细介绍了CQOI2013图的逆变换问题,通过阅读代码和题解,理解了如何判断一个图是否能进行特定变换。核心在于检查每对边之间是否存在冲突,即是否存在两个边使得它们的共同连接点与其他点的连接情况不一致。代码中使用了位运算进行高效判断,最后得出结论并输出结果。

[CQOI2013]图的逆变换

题目链接
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

#include <bits/stdc++.h>
using namespace std;
int T, n, m, e[305][305];
bool check() {
    int f1 = 0, f2 = 0;
    for (int i = 1; i < n; ++i)
        for (int j = i + 1; j <= n; f1 = f2 = 0, ++j)
            for (int k = 1; k <= n; ++k) {//k就是另外一个点
                f1 |= e[i][k] && e[j][k], f2 |= e[i][k] ^ e[j][k];
                if (f1 && f2)
                    return 0;
            }
    return 1;
}
int main() {
    scanf("%d", &T);
    while (T--) {
        memset(e, 0, sizeof(e));
        scanf("%d%d", &n, &m);
        for (int i = 1, x, y; i <= m; ++i)
            scanf("%d%d", &x, &y), e[x + 1][y + 1] = 1;
        puts(check() ? "Yes" : "No");
    }
    return 0;
}

题解:

E中如果存在两条边ac−>cd和bc−>cd

那么ac能连出的点和bc能连出的点应该是相同的

因为在D中都表示从c连向另一个相同的点
题解链接

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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