Subimage Recognition

题目链接

  • 题意:

    给两个矩阵i和j,只包含零和一。求是否能在j矩阵中选择若干行和若干列,使得他和i完全相同

  • 分析:

    这个题可以说是枚举的应用吧。先暴力枚举选取的行,之后就贪心匹配列即可

const int maxn = 25;

char smap[maxn][maxn], emap[maxn][maxn];
int num[(1 << 20) + 10], all;
int nowi,nowj;

void pre()
{
    all = (1 << 20);
    num[0] = 0;
    FF(i, 1, all)
        num[i] = num[i >> 1] + (i & 1);
}

int main()
{
    int sn, sm, en, em;
    RII(en, em);
    REP(i, en)
        RS(emap[i]);
    RII(sn, sm);
    REP(i, sn)
        RS(smap[i]);
    pre();
    bool f = 0;
    all = (1 << sn);
    FF(s, 1, all)
    {
        if (num[s] != en)   continue;
        nowj = 0;
        REP(j, sm)
        {
            nowi = 0;
            REP(row, sn)
                if ((1 << row) & s)
                {
                    if (smap[row][j] != emap[nowi][nowj])
                        break;
                    nowi++;
                }
            if (nowi ==  en)
            {
                nowj++;
            }
            if (nowj >= em)
            {
                f = 1;
                goto end;
            }
        }
    }
    end:;
    if (f)
        puts("Yes");
    else
        puts("No");
    return 0;
}

Subimage Recognition

时间: 2024-10-18 07:18:10

Subimage Recognition的相关文章

[POJ3600]Subimage Recognition(状态压缩,枚举,暴力)

题目链接:http://poj.org/problem?id=3600 枚举行,判断列是否相同. 1 #include <algorithm> 2 #include <iostream> 3 #include <iomanip> 4 #include <cstring> 5 #include <climits> 6 #include <complex> 7 #include <cassert> 8 #include <

【CV论文阅读】+【搬运工】LocNet: Improving Localization Accuracy for Object Detection + A Theoretical analysis of feature pooling in Visual Recognition

论文的关注点在于如何提高bounding box的定位,使用的是概率的预测形式,模型的基础是region proposal.论文提出一个locNet的深度网络,不在依赖于回归方程.论文中提到locnet可以很容易与现有的detection系统结合,但我困惑的是(1)它们的训练的方法,这点论文中没有明确的提到,而仅仅说用迭代的方法进行(2)到底两者的融合后两个网络的结构是怎样呢?可以看做一个多任务的系统,还是存在两个网络呢? 检测方法 输入的候选bounding box(使用selective s

论文笔记之:Localizing by Describing: Attribute-Guided Attention Localization for Fine-Grained Recognition

Localizing by Describing: Attribute-Guided Attention Localization for Fine-Grained Recognition Baidu Research

论文笔记之:Fully Convolutional Attention Localization Networks: Efficient Attention Localization for Fine-Grained Recognition

Fully Convolutional Attention Localization Networks: Efficient Attention Localization for Fine-Grained Recognition   细粒度的识别(Fine-grained recognition)的挑战性主要来自于 类内差异(inter-class differences)在细粒度类别中通常是局部的,细微的:类间差异(intra-class differences)由于姿态的变换而导致很大.为了

【Paper Reading】Object Recognition from Scale-Invariant Features

Paper: Object Recognition from Scale-Invariant Features Sorce: http://www.cs.ubc.ca/~lowe/papers/iccv99.pdf SIFT 即Scale Invariant Feature Transfrom, 尺度不变变换,由David Lowe提出.是CV最著名也最常用的特征.在图像目标识别的应用中,常常要求图像的特征有很好的roboust即不容易受到平移,旋转,尺度缩放,光照,仿射的英雄.SIFT算子具有

人脸识别(face recognition)

一.前述 1. 发展 以往的人脸识别主要是包括人脸图像采集.人脸识别预处理.身份确认.身份查找等技术和系统.现在人脸识别已经慢慢延伸到了ADAS中的驾驶员检测.行人跟踪.甚至到了动态物体的跟踪.由此可以看出,人脸识别系统已经由简单的图像处理发展到了视频实时处理.而且算法已经由以前的Adaboots.PCA等传统的统计学方法转变为CNN.RCNN等深度学习及其变形的方法.现在也有相当一部分人开始研究3维人脸识别识别,这种项目目前也受到了学术界.工业界和国家的支持. 之后的内容主要参考了下面的链接,

论文笔记之:MULTIPLE OBJECT RECOGNITION WITH VISUAL ATTENTION

 Multiple Object Recognition With Visual Attention Google DeepMind  ICRL 2015 s

Pattern Recognition and Machine Learning (preface translation)

前言 鉴于机器学习产生自计算机科学,图像识别却起源于工程学.然而,这些活动能被看做同一个领域的两个方面,并且他们同时在这过去的十年间经历了本质上的发展.特别是,当图像模型已经作为一个用来描述和应用概率模型的框架出现时,贝叶斯定理(Bayesian methods)就已经从一个专家级别的知识范畴发展成为主流.通过一系列近似算法推论,例如变分贝叶斯和期望传播(variational Bayes and expectation propagation),贝叶斯定理的实际适用范围也已经大幅度的提高.与此

Human Action Recognition Using Kinect

Abstract: In this paper, a general approach for human action recognition is applied for classifying human movements into action classes . The propose method uses Kinect for capturing depth  stream. The system performs preprocessing on depth informati