基于UAAG2.0 Reference的移动无障碍案例(三)

原文:https://www.w3.org/TR/IMPLEMENTING-UAAG20/mobile
翻译: CSDN
审校:张昆 刘辉 刘彪 沈广荣(信息无障碍研究会)

基于UAAG2.0 Reference的移动无障碍案例(一)
基于UAAG2.0 Reference的移动无障碍案例(二)
基于UAAG2.0 Reference的移动无障碍案例(三)
基于UAAG2.0 Reference的移动无障碍案例(四)

本页列举了基于《UAAG2.0 Reference:用户代理无障碍指南2.0(UAAG2.0)解释、案例与资源》的移动案例。其中包括准则、成功标准,并旨在为移动案例提供上下文。相关背景请参阅UAAG概述

这些案例展示了在移动设备上基于UAAG的Web浏览器是如何帮助残障用户的。

原则3:确保用户界面是可理解的

指南3.1-帮助用户避免和纠正错误[ 指南3.1 ]

3.1.2设置的改变可被撤消或确认:

如果用户代理提供一种机制改变用户界面设置,则它同时也允许用户撤消设置的改变,或需要用户确认继续。(A级)

成功标准3.1.2的移动实例:

  • Davy是一个中度低视力用户。当他调整手机背景对比度的时候,不小心将以前设定的白色文本的背景选择为白色。这导致了所有图标的消失。他可以在屏幕上看见一个高亮的矩形,此矩形通常在他更改手机设置时会显示“撤消”两个字。他选择了此矩形,然后返回了之前的暗色背景,现在,他可以阅读文本了。之后,为了舒适地阅读,他将背景更改为有充分对比度的颜色。

指南3.2-文档化包含无障碍特性在内的用户代理用户界面[ 指南3.2 ]

3.2.2描述无障碍特性:

对于每一个用来满足用户代理无障碍指南(UAAG)2.0的用户代理功能,以下所列至少有一为真:(A级)

a. 在文档中描述:在用户代理文档中解释功能的使用;或
b. 在界面中描述:在用户代理用户界面中解释功能的使用;或
c. 平台服务:特性是一种由底层平台提供的服务;或
d. 不为用户所用:特性不由用户直接使用(例如,向平台无障碍服务传递信息)。

成功标准3.2.2的移动实例:

  • Neta是一位患有反复性应激损伤的用户。她依靠手势和快捷方式完成任务。使用特定的命令,她可以拉起一个包括描述在内的所有可获得手势命令的列表。

3.2.5集中视图:

文档中有一个专门的章节,呈现用来满足用户代理无障碍指南(UAAG)2.0要求所必须的,用户代理的所有功能的视图。(AAA级)

成功标准3.2.5的移动实例:

  • Bob是位视障用户,他使用屏幕阅读器,那是手机操作系统中的一部分。他在手机上下载了一个新的网页浏览器。浏览器的在线帮助包括了一个关于无障碍的部分,此部分用非视觉的途径指引他前往网页,例如和屏幕阅读器的互动,类似屏幕布局解释的有效提示以及可支持触屏手势的列表等。

指南3.3-让用户代理以可预测的方式操作[ 指南3.3 ]

原则4:促进编程式访问

指南4.1-促进编程式访问辅助技术[ 指南4.1 ]

注:用户代理无障碍指南(UAAG)2.0假设平台无障碍应用程序界面(API)将建立在底层安全体系顶端,这允许用户代理在遵守成功标准的同时满足安全需求。

4.1.3提供同等可访问替代:

如果用户代理用户界面不能通过平台无障碍服务访问,则用户代理提供一种可以被平台无障碍服务访问的同等替代。(A级)

成功标准4.1.3的移动实例:

• Doug在他的智能手机上使用鼠标棒。他使用手机上的辅助触摸选择控制一个三维设计制图的应用程序。此应用程序提供了单一且复杂的对虚拟对象三维操作的操作。此定制控件不能在无障碍平台设备上呈现,所以应用程序给Doug提供了实现相同功能的选择,通过一个替代用户界面:一个可以只使用方向键调整基线、旋转和滚动的面板。

原则5:遵循适用性规范和惯例

指南5.1-遵循适用性规范和惯例[ 指南5.1 ]

5.1.3实现平台的无障碍特性:

如果用户代理包含非web的用户界面,那么这些用户界面遵循平台的用户界面无障碍指南。(A级)

  • 注:当其他的规范要求与用户代理无障碍指南2.0的要求相冲突时,用户代理可以忽视其他规范所呈现的要求,并且仍旧满足此指南。

成功标准5.1.3的移动实例:

  • Martin使用鼠标棒去控制移动浏览器。即使他不能使用缩放手势,在他的移动浏览器上,他能通过使用自定义手势控制缩放。他能够如此操作是因为应用程序开发者遵循了在“iOS无障碍编程指南”中所提供的指导。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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