luogu4595 [COCI2011-2012#5] POPLOCAVANJE 后缀自动机

本文介绍了一种使用后缀自动机解决字符串匹配问题的方法,通过构建后缀自动机并遍历所有可能的匹配子串,最终实现对街道串的有效分析。文章详细描述了算法的具体实现过程,包括如何构建和扩展自动机、如何查找匹配子串以及如何统计结果。

1326433-20181127213941781-579520128.png


看着就像后缀自动机....

然后搜了一下,网上一大把的\(AC\)自动机

嗯......

不管了,打一个试试

然后就过了\(QAQ\)


我们考虑对于每个点\(i\)求出它往前最长能匹配的子串的长度

可以对街道串建出后缀自动机

把所有的\(L\)在后缀自动机上走

走到的串就打个标记,最后顺着\(parent\)树下传一遍即可


#include <cstdio>
#include <cstring>
#include <iostream>
using namespace std;

#define ri register int
#define ll long long
#define rep(io, st, ed) for(ri io = st; io <= ed; io ++)
#define drep(io, ed, st) for(ri io = ed; io >= st; io --)

const int sid = 500060;

char s[sid];
int n, m, id = 1;
int fa[sid], mx[sid], val[sid], rig[sid];
int go[sid][26];

int extend(int lst, int c, int pos) {
    int p = lst, np = ++ id;
    rig[np] = pos; mx[np] = mx[p] + 1;
    for( ; p && !go[p][c]; p = fa[p])
        go[p][c] = np;
    if(!p) fa[np] = 1;
    else {
        int q = go[p][c];
        if(mx[p] + 1 == mx[q]) fa[np] = q;
        else {
            int nq = ++ id;
            mx[nq] = mx[p] + 1;
            fa[nq] = fa[q]; fa[np] = fa[q] = nq;
            memcpy(go[nq], go[q], sizeof(go[q]));
            for( ; p && go[p][c] == q; p = fa[p])
                go[p][c] = nq;
        }
    }
    return np;
}

void find(char *s) {
    int n = strlen(s + 1);
    int now = 1;
    rep(i, 1, n) {
        int opt = s[i] - 'a';
        if(!go[now][opt]) return;
        now = go[now][opt];
    }
    val[now] = max(val[now], n);
}

int nc[sid], ip[sid], na[sid];
void solve() {
    rep(i, 1, id) nc[mx[i]] ++;
    rep(i, 1, n) nc[i] += nc[i - 1];
    rep(i, 1, id) ip[nc[mx[i]] --] = i;
    rep(i, 1, id) {
        int o = ip[i];
        val[o] = max(val[o], val[fa[o]]);
        if(rig[o]) {
            int L = rig[o] - val[o] + 1, R = rig[o];
            na[L] ++; na[R + 1] --;
        }
    }
    rep(i, 1, n) na[i] += na[i - 1];
    int ans = 0;
    rep(i, 1, n) if(!na[i]) ans ++;
    printf("%d\n", ans);
}
    
int main() {
    cin >> n;
    scanf("%s", s + 1);
    
    int lst = 1;
    rep(i, 1, n) lst = extend(lst, s[i] - 'a', i);
    
    cin >> m;
    rep(i, 1, m) {
        scanf("%s", s + 1);
        find(s);
    }
    
    solve();
    return 0;
}

不知道为啥机房的人之后都写了后缀自动机....

转载于:https://www.cnblogs.com/reverymoon/p/10029241.html

一、数据采集层:多源人脸数据获取 该层负责从不同设备 / 渠道采集人脸原始数据,为后续模型训练与识别提供基础样本,核心功能包括: 1. 多设备适配采集 实时摄像头采集: 调用计算机内置摄像头(或外接 USB 摄像头),通过OpenCV的VideoCapture接口实时捕获视频流,支持手动触发 “拍照”(按指定快捷键如Space)或自动定时采集(如每 2 秒采集 1 张),采集时自动框选人脸区域(通过Haar级联分类器初步定位),确保样本聚焦人脸。 支持采集参数配置:可设置采集分辨率(如 640×480、1280×720)、图像格式(JPG/PNG)、单用户采集数量(如默认采集 20 张,确保样本多样性),采集过程中实时显示 “已采集数量 / 目标数量”,避免样本不足。 本地图像 / 视频导入: 支持批量导入本地人脸图像文件(支持 JPG、PNG、BMP 格式),自动过滤非图像文件;导入视频文件(MP4、AVI 格式)时,可按 “固定帧间隔”(如每 10 帧提取 1 张图像)或 “手动选择帧” 提取人脸样本,适用于无实时摄像头场景。 数据集对接: 支持接入公开人脸数据集(如 LFW、ORL),通过预设脚本自动读取数据集目录结构(按 “用户 ID - 样本图像” 分类),快速构建训练样本库,无需手动采集,降低系统开发与测试成本。 2. 采集过程辅助功能 人脸有效性校验:采集时通过OpenCV的Haar级联分类器(或MTCNN轻量级模型)实时检测图像中是否包含人脸,若未检测到人脸(如遮挡、侧脸角度过大),则弹窗提示 “未识别到人脸,请调整姿态”,避免无效样本存入。 样本标签管理:采集时需为每个样本绑定 “用户标签”(如姓名、ID 号),支持手动输入标签或从 Excel 名单批量导入标签(按 “标签 - 采集数量” 对应),采集完成后自动按 “标签 - 序号” 命名文件(如 “张三
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