Adobe AIR移动开发:跨平台新选择

需积分: 9 0 下载量 12 浏览量 更新于2024-07-23 收藏 1.77MB PDF 举报
"丁然在演讲中探讨了Adobe Air在移动开发领域的应用,强调其作为跨平台解决方案的优势,尤其对于Flash开发团队来说是进入移动平台的理想选择。尽管Adobe曾宣布停止对Android设备上的Flash支持,但Adobe AIR仍然活跃并被广泛用于创建独立的客户端应用程序。" Adobe Air是一个强大的开发框架,它允许开发人员使用HTML、JavaScript、Flash软件和ActionScript来构建能够在不同操作系统上运行的应用程序,而不受限于特定的浏览器环境。这一特性使得开发跨平台应用变得更加容易。Adobe AIR 3 Runtime是实现这一目标的关键,它为Web应用程序提供了独立运行的能力。 对于移动开发,Adobe Air有以下显著优势: 1. **跨平台兼容性**:开发人员不需要针对特定操作系统(如iOS或Android)编写代码,而是直接面向Adobe AIR运行时,这样可以避免处理各个设备底层API的复杂性。 2. **利用现有Flash技术**:由于Flash开发者已经熟悉相关的编程语言和工具,他们可以直接将现有的Flash项目转换为移动应用,节省了时间和成本。 3. **统一的前端核心代码**:开发团队只需要维护一套代码,这极大地提高了代码复用率和效率。 4. **美术与程序的无缝协作**:Adobe Air使得美术设计师和程序员能够更专注于游戏设计和用户体验,而不是底层技术细节。 5. **降低开发门槛**:ActionScript的相对简单性使得开发工作更为高效。 6. **原生功能扩展**:通过AIR Native Extensions (ANE),开发人员可以访问和集成移动设备的原生功能,如相机、GPS等。 7. **硬件加速支持**:Stage3D技术提供了图形硬件加速,对于游戏和其他图形密集型应用来说是个巨大的性能提升。 8. **Flascc和Alchemy**:这些工具为开发者提供了将C和C++代码转化为ActionScript的可能性,进一步拓宽了开发的边界。 9. **Air for Mobile**:开发者可以使用AIR SDK轻松地将Flash项目转化为移动应用,通过简单的封装过程,生成IPA或APK文件。 此外,封装移动应用的过程中,需要设备授权文件和开发者签名证书来确保应用的安全性和合法性。通过这样的流程,Adobe Air成为了连接传统Flash开发与移动应用世界的桥梁,为开发者提供了丰富的可能性和广阔的发展空间。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R