tarjan算法

这个算法网上很容易找到详解,其实认真看一遍百度百科也就懂得七七八八了

再附详解地址,这位博主也是转别人的,但是那个别人的博客打不开了

https://blog.youkuaiyun.com/qq_34374664/article/details/77488976

这个算法的核心思想:将连通分量的各个点用一个点表示。

#include <iostream>
#include <cstring>
#include <cmath>
#include <cstdio>
#include <stack>
#include <algorithm>

using namespace std;

#define INF 0x3f3f3f3f
#define MAXN 551

int DFN[MAXN], Low[MAXN];
int vis[MAXN], sta_ck[MAXN];
int Index, cnt, tot;
int n;

struct Node
{
    int to;
    int next;
}node[MAXN];
int head[MAXN];

//用head作为头指针指向下一个结点下标,让next指向head指向的下标后,head指向该结点
void add(int x, int y)
{
    node[++cnt].next = head[x];
    node[cnt].to = y;
    head[x] = cnt;
}

void tarjan(int x)
{
    DFN[x] = Low[x] = ++tot;
    sta_ck[++Index] = x;
    vis[x] = 1;
    for(int i = head[x]; i != -1; i = node[i].next)
    {
        if(!DFN[node[i].to])
        {
            tarjan(node[i].to);
            Low[x] = min(Low[x], Low[node[i].to]);
        }
        else if(vis[node[i].to])
            Low[x] = min(Low[x], DFN[node[i].to]);
    }
    if(Low[x] == DFN[x])
    {
        do
        {
            cout << sta_ck[Index] <<" ";
            vis[sta_ck[Index]]=0;
            Index--;
        }while(x != sta_ck[Index + 1]);
        cout << endl;
    }

}

int main()
{
    memset(head, -1, sizeof(head));
    memset(DFN, 0, sizeof(DFN));
    memset(Low, 0, sizeof(Low));
    int n, m;
    cin >>n >>m;
    int x, y;
    for(int i = 1; i <= m; ++i)
    {
        cin >>x >>y;
        add(x, y);
    }
    for(int i = 1; i <= n; ++i)
        if(!DFN[i])
        tarjan(i);
    return 0;
}

 

数据集介绍:多类别动物目标检测数据集 一、基础信息 数据集名称:多类别动物目标检测数据集 图片数量: - 训练集:6,860张图片 - 验证集:1,960张图片 - 测试集:980张图片 总计:9,800张含动态场景的动物图像 分类类别: Alpaca(羊驼)、Camel(骆驼)、Fox(狐狸)、Lion(狮子)、Mouse(鼠类)、Ostrich(鸵鸟)、Pig(猪)、Rabbit(兔子)、Rhinoceros(犀牛)、Shark(鲨鱼)、Sheep(绵羊)、Snake(蛇)、Whale(鲸鱼) 标注格式: YOLO格式标注,包含目标检测所需的归一化坐标及类别索引,适用于YOLOv5/v7/v8等系列模型训练。 数据特性: 覆盖航拍、地面视角等多种拍摄角度,包含动态行为捕捉及群体/单体目标场景。 二、适用场景 野生动物监测系统: 支持构建无人机/红外相机AI识别系统,用于自然保护区动物种群追踪与生态研究。 智慧农业管理: 适用于畜牧养殖场动物行为分析、数量统计及健康监测等自动化管理场景。 生物多样性研究: 为陆地/海洋生物分布研究提供标注数据支撑,助力濒危物种保护项目。 教育科研应用: 可作为计算机视觉课程实践素材,支持目标检测、迁移学习等AI教学实验。 三、数据集优势 跨物种覆盖全面: 包含13类陆生/水生动物,涵盖家畜、野生动物及濒危物种,支持复杂场景下的模型泛化训练。 动态场景丰富: 捕捉动物运动、群体互动等真实行为模式,提升模型对非静态目标的检测鲁棒性。 标注体系规范: 严格遵循YOLO标注标准,提供精确的边界框定位,支持即插即用的模型训练流程。 多场景适配性: 数据来源涵盖航拍影像、地面监控等多维度视角,适用于农业、生态保护、科研等跨领域应用。 类别平衡优化: 通过分层抽样保证各类别数据分布合理性,避免长尾效应影响模型性能。
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