DroidBot: A Lightweight UI-Guided Test InputGenerator for Android论文学习

于 2024-09-11 15:23:07 发布
阅读量61 收藏
点赞数 1
文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LI_XIAO_XING/article/details/142139058
版权

DroidBot就是之前用过的那个自动截图程序。那我很熟悉了，快速读完这篇论文。

brain默认使用深度优先探索，当然用户也可以使用自己的方法。

这玩意支持各种输入（点击，滑动，输入文本）

可以看到它会分辨当前页面，以页面作为状态，点击等动作作为事件。

李小星同志
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习论文: LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation及其PyTorch实现
mingo_敏
07-01 1317
深度学习论文: LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation及其PyTorch实现 LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation PDF:https://arxiv.org/pdf/1905.02423.pdf PyTorch: https://github.com/shan
Android稳定性测试资源汇总
weixin_57914282的博客
12-15 2064
记录android稳定性测试相关的资源
计算机视觉论文-2021-07-30
中科院AI算法工程师的博客
08-02 1853
本专栏是计算机视觉方向论文收集积累，时间：2021年7月30日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Efficient Human Pose Estimation By Maximizing Fusion and High-Level Spatial Attention AUTHORS: Zhiyuan Ren ; Yaohai ...
【FLY】Android（12）源码目录结构
Making Life Better. Making Others Better.
09-05 2860
Android（12）源码目录结构
阅读笔记：《The Art, Science, and Engineering of Fuzzing: A Survey》
热门推荐
qq_41513009的博客
11-04 1万+
这篇论文发表在2019年的TSE上。因为最近研究执行路径探索，需要用到fuzzing的思想，而之前对fuzzing的了解很浅，故先阅读一篇survey来对这个领域有一个全面的认识。
droidbot:适用于Android的轻量级测试输入生成器。 与Monkey类似，但具有更多的智能和炫酷功能！
05-02
我们添加了一个名为memory_guided的新策略，该策略使用机器学习来自动识别相似的视图并避免重复探索。 请试一试！ 要使用memory_guided策略，您需要和安装。 使用以下命令行： pip install torch transformers ...
Android-DroidBot一个Android的轻量级测试输入生成器
08-12
**Android DroidBot：智能测试输入生成器** 在Android应用开发过程中，测试是不可或缺的一环，确保应用的稳定性和性能。传统的自动化测试工具，如Monkey，提供了基础的随机事件模拟来检测应用程序的健壮性。然而，...
YHListKit:A lightweight data-driven list framework for building fast and easy-to-use lists. 一个轻量级的数据驱动列表框架
05-16
YHListKit YHListKit 是一个基于 UICollectionView 的、轻量级的数据驱动列表框架，其核心思想在于通过 Adapter 模式将繁琐的 UICollectionView 相关代理方法转变成数据驱动的接口，更贴近人类的思维方式，同时还将...
iomuxc、pinctrl子系统、gpio子系统（学习总结）
weixin_61385844的博客
09-04 968
IOMUXC是SOC设计中实现引脚复用的关键组件，它通过动态切换引脚功能，提高了IO资源的利用率，满足了不同外设和功能的IO需求。在配置和使用IOMUXC时，需要参考芯片使用手册和设备树文档，确保引脚功能的正确设置。
区块链学习笔记2--区块链技术的形成 以太坊
最新发布
weixin_61074128的博客
09-10 279
以太坊的定义：以太坊是运行在一个计算机网络中的软件，他确保数据以及智能合约的小程序可以在没有宗信协调者的情况下，被所有网络中的计算机复制和处理。以太坊的改进： 交易速度加快；pow+pos算法，逐步向pos算法过渡；智能合约：不受人为因素影响，没有黑幕；比特币的出现让经济贸易变得简单，而比特币系统的不足，也同样被人诟病。于是出现了致力解决比特币不足的“V神”。以太坊的愿景是创建一个无法停止，抗屏蔽（审查）和自我维持的去中心化世界计算机。比特币的不足：交易速度慢；仅仅完成了货币的去中心化。
sheng的学习笔记-AI-规则学习（rule learning）
coldstarry的专栏
09-09 847
机器学习中的“规则”(rule)通常是指语义明确、能描述数据分布所隐含的客观规律或领域概念、可写成“若……，则……”形式的逻辑规则。​“规则学习”(rule learning)是从训练数据中学习出一组能用于对未见示例进行判别的规则。一条规则形如：在数理逻辑中“文字”专指原子公式(atom)及其否定。与神经网络、支持向量机这样的“黑箱模型”相比，规则学习具有更好的可解释性，能使用户更直观地对判别过程有所了解。另一方面，数理逻辑具有极强的表达能力，绝大多数人类知识都能通过数理逻辑进行简洁的刻画和表达。
【学习笔记】SSL证书之前向保密
Taki_UP的博客
09-10 553
本篇介绍了密码学中前向保密（Forward Secrecy）的相关内容
Android Fragment 学习备忘
sdaujz的博客
09-08 379
1.fragment的动态添加与管理：
9.6学习记录+三场笔试
m0_62956971的博客
09-07 1156
短作业优先。
EmguCV学习笔记 C# 第10章 人脸识别
UruseiBest 的技术专栏
09-05 632
EmguCV是一个基于OpenCV的开源免费的跨平台计算机视觉库,它向C#和VB.NET开发者提供了OpenCV库的大部分功能。10.1 人脸检测 CascadeClassifier类。10.2.2.1 EigenFaceRecgnizer类。10.2.1 LBPHFaceRecgnizer类。10.2 人脸识别 FaceRecgnizer类。教程配套文件及相关说明。
《数字信号处理》学习05-单位冲击响应与系统响应
码到成龚的博客
09-08 1195
一，单位冲激响应二，LTI系统对任意序列的系统响应三，LTI系统的性质​ 在《信号与系统》中，离散时间线性时不变系统用 唯一表征： ：单位冲击响应（或称为单位抽样响应）。输入序列是单位冲击序列，输出序列是初始状态为0时系统的输出。 1，h虽然不是特定单词的缩写，但在信号处理领域的使用已经成为一种约定，代表了系统的单位冲击响应，因此，一般用来代表离散时间LTI系统的单位冲击响应。 2，之所以强调输出序列是在初始状态为0时的系统输出，是因为在“初始状态为0”时输出序列完全基于输入序列和单
Vue响应式进阶常用API学习
weixin_44072254的博客
09-06 869
reactive()的浅层浅层响应式，和reactive()不同，这里没有深层级的转换：一个浅层响应式对象里只有根级别的属性是响应式的。readonly()的浅层作用形式,只有根级别是只读不可更改的，根级别以下的可更改，只是视图不会更新，但值改变了。shallowRef是浅层引用,只会跟踪原始对象的引用,不会跟踪原始对象的属性。创建一个自定义的 ref，显式声明对其依赖追踪和更新触发的控制方式。的副作用，这通常在对浅引用的内部值进行深度变更后使用。代理对象，并返回该代理对象对应的原始对象。
【C++深入学习】日期类函数从无到有实现
Harper.Lee的博客
09-04 1313
本文主要是通过之前所学的类和对象等的知识从无到有地实现一个简单的日期计算机程序！
mfen: lightweight multi-scale feature extraction super-resolution network in
09-18
mfen是一个轻量级的多尺度特征提取超分辨率网络。mfen的主要目标是实现图像的超分辨率重建，通过将低分辨率的图像转换为高分辨率的图像，提高图像的质量和细节。mfen使用了多尺度特征提取的方法，可以同时处理不同尺度的图像信息。 mfen的网络结构包括多个分支，每个分支都负责提取不同尺度的图像特征。每个分支都由卷积层、残差块和上采样模块组成。卷积层用于提取图像的特征，残差块用于增强特征的表示能力，上采样模块用于将特征图像恢复到更高的分辨率。 mfen的优点之一是它的轻量级设计，可以在相对较低的计算资源下实现高质量的超分辨率重建。这使得mfen适用于各种计算平台，包括移动设备和嵌入式系统。 此外，mfen还采用了自适应残差学习，通过学习图像的残差信息来提升超分辨率重建的效果。这种学习方法可以自动学习出不同图像的残差分布，从而更好地适应不同图像的超分辨率重建需求。 总之，mfen是一个创新的轻量级多尺度特征提取超分辨率网络。它通过有效地提取图像特征和学习残差信息，实现高质量的超分辨率重建。它具有广泛的应用前景，可以在各种计算平台上应用于图像增强和机器视觉任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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