cocos2d-x  3.0新特性

1.使用c++风格
    1.1  去cc化
    1.2  使用clone( )代替copy( ); clone( )返回一个加入自动回收池的对象
    1.3  用getInstance( ) 和 destroyInstance( )来使用单例
           单例对象不再是全局的单例,他们属于Director,可使用Director来获取其实例,使得3.0可支持多个窗口
          (即多个Director,一个窗口有一个Director)such as :Director:: get instance( )->getTextureCache;
    1.4  所有的属性获取方法使用const声明来限制其对自身属性的修改,对于POD类型,使用引用参数,分配到栈中,易于内存的管理
    1.5  使用部分C++11的特性
    1.6  使用强类型枚举来表示枚举和常量

2.跨平台的Label
   使用开源的字体库FreeType  

3.新的渲染系统
   主线程的每一帧遍历UI树的每一个元素时,并不直接调用OpenGL ES进行绘制,而是将每个元素的绘制命令包装成一个RenderCommand对象发送至绘制栈,绘制栈在遍历场景中的每一个元素之后开始绘制。
   好处:
  3.1  绘制命令可以被重用,多个不同的元素可以使用相同的绘制命令进行组合,使得对引擎的维护更灵活
  3.2  渲染系统可优化,如自动批绘制技术(auto-batching:使用相同的RenderConmmand类型,并且使用相同的纹理及OpenGL ES绘制参数,渲染系统可以把它们合并成一次绘制),自动裁剪技术(auto-culling:所有处于游戏视窗之外的sprite不会发送绘制命令到绘制栈,减少不必要的OpenGL ES调用)
  3.3  通过给Node引入globalZOrder来设定全局的绘制顺序,绘制栈会优先根据globalZOrder中的设定进行排序,然后才是glocalZOrder对所有RenderCommand进行排序以决定绘制顺序

4.统一的消息分发
   封装成一个统一的事件分发器-EventDispatcher,新版本可将一个事件关联到一个UI元素,这个类型的事件将根据该元素在场景中的绘制顺序被分发,离屏幕越近的订阅者越能优先处理这个事件,当这个元素被移出场景时,与其关联的所有订阅的处理者都会被移除,不需手动移除

5.物理引擎集成
   5.1 物理世界被集成到Scene元素中,用Scene管理,当创建场景时可以选择是否创建一个物理世界。 CC_USE_PHYSICS
   5.2  Node元素中包含一个physicsBody属性,可以对任何Node元素及其子元素设置刚体,任何包含physicsBody的Node元素在被添加到场景中时,将被自动加入当前Scene的物理世界中
   5.3  物理刚体中包含了大多数的物理属性,如PhysicsShape,PhysicsContact,PhysicsJoint及其他
   5.4  可以通过统一的事件分发器来接收刚体之间的碰撞事件。 注册EventListenerPhysicsContact
 
6.新的数据结构
    6.1 Vector<T> , Map<K,V>
    6.2  新的容器类不再继承Ref,而分配到了栈上使用,从而简化了内存管理
           以任何形式新加入容器的左值都会retain一次使引用计数+1,以任何形式从容器中移除的左值都会release一次使引用计数-1,从而可以很好进行内存管理。下标操作符[]会返回一个左值,会影响元素的内存管理,所以coco2dx的容器没有提供下标操作符,用at( )来返回一个右值
    6.3  移动语义
           使用std::move将左值引用转为右值引用

参考自:我所理解的cocos2dx   常春林著
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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