Codeforces 652D Nested Segments 树状数组离线处理

该博客介绍了一种解决线性段上nested segments问题的方法,利用树状数组进行离线处理。通过输入的n个段,计算每个段内包含的完整子段数量。首先,根据左坐标对段进行降序排序,然后依次将右坐标加入数组,并使用树状数组查询当前段包含的右坐标个数,以此确定子段数量。提供了示例输入和输出,帮助理解解题思路。

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

You are given n segments on a line. There are no ends of some segments that coincide. For each segment find the number of segments it contains.

Input
The first line contains a single integer n (1 ≤ n ≤ 2·105) — the number of segments on a line.

Each of the next n lines contains two integers li and ri ( - 109 ≤ li < ri ≤ 109) — the coordinates of the left and the right ends of the i-th segment. It is guaranteed that there are no ends of some segments that coincide.

Output
Print n lines. The j-th of them should contain the only integer aj — the number of segments contained in the j-th segment.

Example
Input
4
1 8
2 3
4 7
5 6
Output
3
0
1
0
Input
3
3 4
1 5
2 6
Output
0
1
1

求出每个区间内包含了几个完整的子区间。按照左坐标从大到小排序,再按顺序将区间的右坐标加入数组,由于未加入的区间左坐标在已加入的左边,肯定不被包含,而已经加入数组的都是左坐标符合条件的,之后只要区间查询包含了几个右坐标,就能知道包含了几个子区间而且没有遗漏

#include <iostream>
#include <stdio.h>
#include <map>
#include <set>
#include <queue>
#include <algorithm>
#include <vector>
#include <math.h>
#include <iterator>
#include <string.h>
using namespace std;
typedef long long ll;
int mo[4][2]={0,1,1,0,0,-1,-1,0};
const int MAXN=0x3f3f3f3f;
const int sz=200005;
int n;
struct node{
    int l,r,num;
}a[sz];
struct number{
    int num,v;
}hs[sz*2];
bool cmp(node x,node y){
    return x.l>y.l;
}
bool cmpnum(number x,number y){
    return x.v<y.v;
}
int tr[sz*2];
int ans[sz];
void add(int x){
    for(;x<=2*n;x+=x&(-x)){
        tr[x]++;
    }
}
int sum(int x){
    int s=0;
    for(;x>0;x-=x&(-x)){
        s+=tr[x];
    }
    return s;
}
int query(int x,int y){
    return sum(y)-sum(x-1);
}
int main()
{
    //freopen("C:\\Users\\Administrator\\Desktop\\r.txt","r",stdin);
    while(scanf("%d",&n)!=EOF){
        memset(tr,0,sizeof(tr));
        for(int i=1;i<=n;i++){
            scanf("%d%d",&a[i].l,&a[i].r);
            a[i].num=i;
            hs[i].v=a[i].l;
            hs[i].num=i;
            hs[i+n].v=a[i].r;
            hs[i+n].num=i+n;
        }
        sort(hs+1,hs+1+2*n,cmpnum);
        for(int i=1;i<=2*n;i++){
            if(hs[i].num<=n)
                a[hs[i].num].l=i;
            else
                a[hs[i].num-n].r=i;
        }
        sort(a+1,a+1+n,cmp);
        for(int i=1;i<=n;i++){
            ans[a[i].num]=query(a[i].l,a[i].r);
            add(a[i].r);
        }
        for(int i=1;i<=n;i++){
            printf("%d\n",ans[i]);
        }
    }
    return 0;
}
基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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