寻隅之隙

错题的价值不只是得到一次 AC，更重要的是记录自己当时为什么没有想到、关键转化在哪里，以及以后遇到相似模型时该如何识别。 本文整理近期遇到的四类题目： 01 字符串反转与伪差分 双堆维护滑动窗口中位数 二分答案与线段贪心 二维前缀和与枚举降维 一、01 字符串反转与伪差分题目链接牛客竞赛 D 题 考察知识点 伪差分 相邻状态维护 区间反转 核心思路因为字符串中只有 0 和 1，所以对某个区间进行反转时，区间内部相邻字符之间的“相同/不同”关系不会发生变化。 真正可能影响全局答案的，只有区间的两个端点。 可以构造一个状态数组 diff： diff[i] = 1：相邻两个字符不同 diff[i] = 0：相邻两个字符相同 每次反转一个区间时，只需要处理左右端点对应的状态，而不需要真正把整个区间翻转一遍。 关键转化：区间操作看似影响很多字符，实际上只有边界状态发生变化。 AC 代码12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849...

为什么需要自己训练模型现在用的 rfdetr-nano 是通用模型，它见过很多普通的 person，所以能直接检测行人。 但如果你的场景比较特殊，比如： 监控摄像头很高 人很小 夜间画面 雨天 工厂制服 红外摄像头 低清视频 人被遮挡 只想检测某个区域的人 通用模型可能不够稳。这时候你训练自己的模型，就是告诉它： 在我的真实画面里，什么样子算 person。 一、训练集的收集1. 好数据长什么样好的数据包括： ☀️ 白天 🌙 晚上 ☁️ 阴天 💡 强光 🌑 背光 🚶 近处的人 🔭 远处的人 🧍 正面的人 🧍‍♂️ 侧面的人 🧍‍♀️ 背面的人 👥 多人 👤 少人 🙈 遮挡 🏚️ 空场景 注意：空场景也要放。 比如没有人的走廊、没有人的路口，这能帮助模型学会——没有人时不要乱框。 2. 什么图片不适合放太多不要只收集”特别漂亮、特别清楚”的图片。比如全是这种： 正面站着的人 光线很好 人很大 背景简单 这样训练出来的模型在真实监控里可能不好用。 真实场景通常是： 模糊 远 小 遮挡 角度奇怪 光线变化 所以训练数据要接近真实使用场...

十九岁折返：泉城烟火，衔接 ACM 与芯途高考的结束，没有让我极度的愉悦，反而是一种释然与放松，一边是对未来的迷茫，一边是对大学生活的憧憬。 高考成绩 语文 数学 外语 物理 化学 生物 总分 省排 106 102 131 67 81 73 560 66874 凭借着对个人能力的自信，在志愿填报时选择自己填——什么这机构那机构的，都不行，还得是我自己填。 作为山东人，我无疑是恋家的。填省内，必须填省内，一个省外的我都不填。我把各种高级的带电工科都填了上去。在录取的前一天晚上，我梦到了我录取到了 QLU 的网络空间安全。可惜，当我查的时候，只梦对了一半——我看着录取结果：QLU——集成电路设计与集成系统。心里其实并没有太高兴的感觉，甚至还有转专业的想法。 而当时的决定，在一年后的我看来，恰恰是再正确不过的了…… 梦开始的地方大概在录取后一个月，我总觉得有点闲了。偶然间我在校园迎新的界面发现了一个社团——网络运维算法部。 这里，是我梦开始的地方…… 在假期里，我详细学习了 C++ 的基础语法。在初步利用 C++ 解题的时候，总有一种不熟悉的感觉，可能我并没有极高的天...

视觉模型网站：Roboflow 一、熟悉工作流1. Workflow 的工作流搭建1输入 → 模型 → 可视化 → 输出 2. 模型选择1) 添加 Object Detection Model因为要适配 NPU 与新手学习，选择 RF-DETR Nano。 在模型的 Additional Properties 里设置： Class Filter = person（只检测行人） 2) 添加 Bounding Box Visualization把模型检测到的人画框。 3) 添加 Label Visualization在框旁边显示类别和置信度，比如： 1person 0.87 完整格式： 检测结果： 二、Confidence（置信度）1. Confidence 是什么当模型看到一个目标时，它会输出类似这样的结果： 12345678{ "class": "person", "confidence": 0.87, "x": 320, "y": ...