uva 12594 斜率优化dp

本文探讨了分段类型动态规划的应用,并详细解释了如何通过算法解决字符串匹配问题,包括使用队列和哈希表进行优化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

分段类型的dp,只不过求一个段的值略微麻烦

#include<stdio.h>
#include<iostream>
#include<string.h>
#include<queue>
#include<string.h>
using namespace std;
const int MAXN=20010;
#define ll long long

ll dp[MAXN][2];
ll a[MAXN];
ll as[MAXN];
ll aa[MAXN];
ll ai[MAXN];
ll map[30];
int q[MAXN];//队列
char ts[30];
char s[MAXN];

int head,tail,n,m;

ll getDP(int i,int lt,int k)
{
    return dp[k][lt]+ai[i]-ai[k]-(k+1)*(as[i]-as[k])-(aa[i]-aa[k]);
}

ll getUP(int k1,int k2,int lt)//k1>k2
{
    return (dp[k1][lt]-ai[k1]+(k1+1)*as[k1]+aa[k1])-(dp[k2][lt]-ai[k2]+(k2+1)*as[k2]+aa[k2]);
}
ll getDOWN(int k1,int  k2)//k1>k2
{
    return k1-k2;
}
int main()
{
	int T,R=0;
	scanf("%d",&T);
    while(T--)
    {
		R++;
		int i,j;
		int nt,lt;
		scanf("%s",ts);
		for(i=0;ts[i];i++)
			map[ts[i]-'a']=i;
		scanf("%d",&m);
		scanf("%s",s);
		n=strlen(s);
		a[0]=map[s[0]-'a'];
		as[0]=a[0];
		aa[0]=a[0]*a[0];
		ai[0]=0;
		for(i=1;i<n;i++)
		{
			a[i]=map[s[i]-'a'];
			aa[i]=aa[i-1]+a[i]*a[i];
			ai[i]=ai[i-1]+i*a[i];
			as[i]=as[i-1]+a[i];
		}
		for(i=0;i<n;i++)
			dp[i][1]=ai[i]-aa[i];
		for(j=2;j<=m;j++)
		{
			nt=j%2;
			lt=(j+1)%2;
			dp[j-1][nt]=-aa[j-1];
			head=tail=0;
			q[tail++]=j-2;
			q[tail++]=j-1;
			for(i=j;i<n;i++)
			{
				while(head+1<tail &&  getUP(q[head+1],q[head],lt)<=as[i]*getDOWN(q[head+1],q[head]))
					head++;
				dp[i][nt]=getDP(i,lt,q[head]);
				while(head+1<tail && getUP(i,q[tail-1],lt)*getDOWN(q[tail-1],q[tail-2])<=getUP(q[tail-1],q[tail-2],lt)*getDOWN(i,q[tail-1]))
                    tail--;
				q[tail++]=i;
			}
		}
		printf("Case %d: %lld\n",R,dp[n-1][nt]);
    }
    return 0;
}


内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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