P9568 [SDCPC2023] Computational Geometry 题解

文章介绍了在ComputationalGeometry竞赛中,如何通过将多边形分割并优化算法来求解一个关于三角形面积的问题。关键在于找到使三角形面积最大的点,利用单峰函数特性结合线性时间复杂度方法求解,涉及预处理多边形面积、三角形面积计算和动态点移动策略。

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

P9568 [SDCPC2023] Computational Geometry 题解

感谢战学长的帮助。

解法

本题的关键是将多边形 Q Q Q 分割为两部分,一部分是由点 a , b , c a,b,c a,b,c 组成的三角形,另一部分是由从 b b b c c c k + 1 k + 1 k+1 个点组成的凸多边形。注意到这种由 k + 1 k + 1 k+1 个点组成的凸多边形的数量是有限的,为 n n n 个,而由点 a , b , c a,b,c a,b,c 组成的三角形的数量更多,所以我们考虑固定 k + 1 k + 1 k+1 个点的多边形,即固定点 b , c b,c b,c,然后查找可以使三角形 a , b , c a,b,c a,b,c 面积最大的点 a a a,即点 a a a 到直线 b c bc bc 的垂直距离最大。

考虑所有可被选择为点 a a a 的点,它们和直线 b c bc bc 的距离是一个单峰函数,故可以考虑使用三分法求得函数峰值。

现在我们想到了一个做法:用 O ( n + k ) \mathcal{O}(n + k) O(n+k) 的时间复杂度预处理所有 k + 1 k + 1 k+1 个点的多边形的面积,用 O ( n log ⁡ n ) \mathcal{O}(n \log n) O(nlogn) 的时间复杂度求得点 a a a

预处理多边形面积的方法:先选定一个多边形,将其暴力地拆成 k − 1 k-1 k1 个三角形,对每个三角形叉积求面积,值得注意的是叉积的模长是平四的有向面积,所以这里求面积时应对叉积的模长取绝对值。这里有个小 t r i c k trick trick,就是在计算过程中我们不将面积除以 2 2 2,而是在最后输出时除以 2 2 2,防止计算过程中有浮点数的出现。

然后考虑递推转移,如图,目标状态的面积为原有状态的面积加上红色三角形面积减去绿色三角形面积。

图

这时战学长给我发了个 h i n t hint hint,说有严格线性做法。仔细考虑当线段 b c bc bc 逆时针变化时, a a a 点也是逆时针变化的。所以 a a a 点的移动是有单调性的,移动次数不超过 n n n 次,因此可以每次旋转线段 b c bc bc 时暴力地移动点 a a a

时间复杂度 O ( n + k ) \mathcal{O}(n + k) O(n+k)

代码

#include<bits/stdc++.h>
namespace fast_IO
{
	/**
	 * 顾名思义,是快读快写。
	*/
};
using namespace fast_IO;
#define int long long
// considering the issue of accuracy,we can twice the storage surface
int t,n,k,surf[100010],pt,b,c,pres,nxts,ans;
struct point
{
	int x,y;
	inline point(int x=0,int y=0)
	{
		this->x=x,this->y=y;
	}
	inline point operator-(const point &rhs) const
	{
		return point(x-rhs.x,y-rhs.y);
	}
	inline int operator*(const point &rhs)
	{
		return x*rhs.y-y*rhs.x;
	}
};
point a[100010];
inline int calc(const point x,const point y,const point z) // calculate the surface of the triangle we chose
{
	return abs((y-x)*(z-x));
}
signed main()
{
	in>>t;
	while(t--)
	{
		in>>n>>k,ans=0;
		for(int i=1;i<=n;i++) in>>a[i].x>>a[i].y,surf[i]=0;
		b=1,c=k+1,pt=c,pres=0;
		for(int i=2;i<=k;i++) surf[b]+=calc(a[i-1],a[i],a[c]);
		for(int i=2;i<=n;i++)
			surf[i]=
			surf[i-1]+
			calc(a[i+k-1>n?i+k-1-n:i+k-1],a[i+k>n?i+k-n:i+k],a[i])-
			calc(a[i-1],a[i+k-1>n?i+k-1-n:i+k-1],a[i]);
		for(;b<=n;b++,c=b+k>n?b+k-n:b+k)
		{
			pres=calc(a[b],a[c],a[pt]);
			while(pt!=b)
			{
				nxts=calc(a[b],a[c],a[pt+1>n?pt+1-n:pt+1]);
				if(nxts>pres) pres=nxts,pt=pt+1>n?pt+1-n:pt+1;
				else break;
			}
			ans=std::max(ans,surf[b]+pres);
			if(pt==c) pt=pt+1>n?pt+1-n:pt+1;
		}
		out<<ans/2.0<<'\n';
	}
	fwrite(Ouf,1,p3-Ouf,stdout),fflush(stdout);
	return 0;
}
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 11
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