USACO5.5.1 Picture(picture)

先处理所有的横线,横边记录一个pos值,每个矩形有两条横边,下面的pos记为1,上面的pos记为-1。

将所有横边按y坐标由小到大排序,枚举,横坐标上的每个点记录一个值layer。

每遇到一条边i,对于边i上的每一个点x,layer[ x ] += i.pos 。

如果layer[ j ]从0变为1,周长ans++,如果layer从1变为0,同样ans++。

竖线同理,但要注意:矩形的顶点只能算一次,在横边算过了竖边就不算了。


/*
ID:xsy97051
LANG:C++
TASK:picture
*/
#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

struct Line
{
    /*init   创建这个struct,直接调用struct line t(a,b,c,d),直接把4个值都弄好了
    bool operator <是定义了一个比较函数,可以方便的对line数组排序或者是用优先队列了*/
    int a,b,h,pos;
    void init(int aa,int bb,int hh,int ppos)
    {
        a=aa;   b=bb;   h=hh;   pos=ppos;
    }

    bool operator <(const Line &l) const{
        if(h!=l.h) return h<l.h;  
        return pos>l.pos;  
    }
};

int n,ans=0;  
Line hor[10010];  
Line ver[10010];  
int layer[20010];  

int main()
{
    freopen("picture.in","r",stdin);
    freopen("picture.out","w",stdout);
    cin>>n;
    for(int i=0;i<n;i++)
    {
        int a,b,c,d;
        cin>>a>>b>>c>>d;
        hor[i<<1].init(a+10000,c+10000,b,1);  
        hor[(i<<1)+1].init(a+10000,c+10000,d,-1);  
        ver[i<<1].init(b+10000,d+10000,a,1);  
        ver[(i<<1)+1].init(b+10000,d+10000,c,-1);  
    }
    n<<=1;  
    sort(hor,hor+n);  
    sort(ver,ver+n);  
 
    for(int i=0;i<n;i++)
    {
        Line l=hor[i];
        for(int j=l.a;j<l.b;j++)
        {
            if(!layer[j] && layer[j]+l.pos==1) ans++;  
            if(layer[j]==1 && layer[j]+l.pos==0) ans++;  
            layer[j]+=l.pos;  
        }
    }
 
    memset(layer,0,sizeof(layer));  
 
    for(int i=0;i<n;i++)
    {  
        Line l=ver[i];  
        for(int j=l.a;j<l.b;j++)
        {  
            if(!layer[j] && layer[j]+l.pos==1) ans++;  
            if(layer[j]==1 && layer[j]+l.pos==0) ans++;  
            layer[j]+=l.pos;  
        }  
    }  
   
    cout<<ans<<endl;
    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。
数据集介绍:陆生动物多场景目标检测数据集 一、基础信息 数据集名称:陆生动物多场景目标检测数据集 数据规模: - 训练集:9,134张图片 - 验证集:1,529张图片 - 测试集:1,519张图片 分类类别: - 家畜类:Cattle(牛)、Horse(马)、Sheep(羊) - 宠物类:Cat(猫)、Dog(狗) - 野生动物类:Bear(熊)、Deer(鹿)、Elephant(大象)、Monkey(猴子) - 禽类:Chicken(鸡) 标注格式: YOLO格式标注,包含目标边界框坐标和10类动物标签,支持多目标检测场景 数据特性: 涵盖俯拍视角、户外自然场景、牧场环境等多角度拍摄数据 二、适用场景 农业智能化管理: 支持开发牲畜数量统计、行为分析系统,适用于现代化牧场管理 野生动物保护监测: 可用于构建自然保护区动物识别系统,支持生物多样性研究 智能安防系统: 训练农场入侵检测模型,识别熊等危险野生动物 宠物智能硬件: 为宠物智能项圈等设备提供多动物识别训练数据 教育科研应用: 适用于动物行为学研究和计算机视觉教学实验 三、数据集优势 物种覆盖全面: 包含10类高价值陆生动物,覆盖畜牧、宠物、野生动物三大场景需求 标注质量优异: YOLO格式标注严格遵循标准规范,支持YOLOv5/v7/v8等主流检测框架直接训练 场景多样性突出: 包含航拍视角、近距离特写、群体活动等多种拍摄角度和场景 大规模训练保障: 超12,000张标注图片满足深度神经网络训练需求 现实应用适配性: 特别包含动物遮挡、群体聚集等现实场景样本,提升模型部署效果
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