题目描述

多尺度检测会从不同尺度上给出同一目标的候选框。具身智能部需要把同类别、位置接近的证据合并成一个更稳定的检测结果。

给定若干候选框。先过滤低分候选，再按分数从高到低选择种子；每个种子吸收尚未使用、同类别且与种子 IoU 达到阈值的候选，形成一个簇。请输出每个融合簇的类别、分数、融合框和成员编号。

输入格式

• 第一行输入整数 N。
• 随后 N 行，每行输入 id scale_id class_id score x1 y1 x2 y2。
• 最后一行输入两个浮点数 Ts Tfuse。

输出格式

• 第一行输出簇数 K。
• 随后 K 行，每行输出 cluster_id class_id fused_score x1 y1 x2 y2 member_ids。
• 其中 fused_score 和坐标均保留 6 位小数，member_ids 为该簇成员的 id 升序列表。

判定规则

使用标准输出比较。

• 只有 score >= Ts 的候选进入融合。
• 活跃候选按 score 降序、id 升序作为种子顺序。
• 一个未使用候选若与种子同类别，且 IoU >= Tfuse，就并入该种子簇并标记为已使用。
• 融合框坐标为成员框坐标按 score 加权平均；若总分为 0，使用普通平均。
• fused_score 为簇内最大 score。
• 输出簇按 fused_score 降序、class_id 升序、最小成员 id 升序排列，cluster_id 从 1 开始重新编号。

样例

输入样例 1

3
1 0 1 0.9 0 0 10 10
2 1 1 0.6 1 1 9 9
3 0 2 0.8 0 0 10 10
0.5 0.5

输出样例 1

2
1 1 0.900000 0.400000 0.400000 9.600000 9.600000 1 2
2 2 0.800000 0.000000 0.000000 10.000000 10.000000 3

样例解释 1

候选 1 和 2 同类且 IoU 达到阈值，坐标按分数 0.9、0.6 加权融合；候选 3 类别不同，单独成簇。

输入样例 2

2
1 0 1 0.2 0 0 1 1
2 0 1 0.3 2 2 3 3
0.5 0.5

输出样例 2

0

样例解释 2

两个候选分数均低于 Ts，没有活跃候选。