【树状数组】POJ 2352 Stars

本文深入探讨了树状数组的原理、实现方法及其在解决区间查询和修改问题中的高效应用,通过具体实例展示了如何利用树状数组进行快速计算。
/**
 *  @author           johnsondu
 *  @time             2015-8-22
 *  @type             Binary Index Tree
 *                      ignore the coordinate of y and 
 *                      process as 1D conditions.
 *  @url              http://poj.org/problem?id=2352
 */

#include <iostream>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <cstring>
#include <string>
#include <stack>
#include <queue>
#include <map>
#include <vector>

using namespace std;

const int N = 15005;
const int M = 32010;
int level[N], c[M];

int lowbit(int x) {
    return (x & (-x)) ;
}

// 向上更新
void update(int x, int v) {
    while(x < M) {
        c[x] += v;
        x += lowbit(x);
    }
}

// 获取当前节点及以下的值的个数
int getSum(int x) {
    int sum = 0;
    while(x > 0) {
        sum += c[x];
        x -= lowbit(x);
    }
    return sum;
}

int main()
{
    int n, x, y;
    scanf ("%d", &n);
    memset(level, 0, sizeof(level));
    memset(c, 0, sizeof(c));
    for(int i = 1; i <= n; i ++) {
        scanf("%d%d", &x, &y);
        ++ level[getSum(x + 1)];
        update(x+1, 1);
    }

    for(int i = 0; i < n; i ++) {
        cout << level[i] << endl;
    }

    return 0;
}


附一篇经典翻译,学习 树状数组  http://www.hawstein.com/posts/binary-indexed-trees.html

个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于与主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
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