甲骨文高管:JVM将向更多非Java语言开放

在今天北京举行的甲骨文全球大会(JavaOne)上,甲骨文软件开发高级总监Nandini Ramani下午在大会现场接受了媒体专访,就甲骨文在加强Java投资和创新上的愿景,以及Java平台的未来目标、Java开源和社区路线图、 Java虚拟机(JVM)、Java移动版战略、JavaFX路线图等一系列开发人员关注的话题进行了深入解读。



▲甲骨文软件开发高级总监Nandini Ramani

  Java平台下一步目标

  在谈到Java平台下一步目标时,Nandini Ramani表示将主要包括以下几个方面:针对新应用程序模型和硬件对Java进行优化、为Java虚拟机增添模块化特性、针对新处理器、内存和网络进一 步优化、改善性能、监视和诊断以及让Java VM支持更多语言。

  至于Java平台计划要提供的增强特性,Nandini Ramani列举了Java在面向多核处理器的开发、大内存、高速网络下的新计划,包括利用Fork/Join框架和其他多线程增强、超大型堆、短停顿的 垃圾回收、消除HotSpot中的持久代、该技能的网络功能、新I/O API(更好的O/S互操作性的文件系统和异步I/O)等等。

Java ME路线图

  另一方面,自收购Sun以及Java技术以来,甲骨文在Java移动版的发展上受到业界一些公司的指责,包括Google在内的公司表示甲骨文 没有明确提出移动版Java的发展方向和承担起领导责任。而另一方面,移动版Java在低端和中档手机、媒体播放机和其他设备、许多移动应用程序和内容交 付系统等方面的应用占了很大比例。

  对此,Nandini Ramani并没有正面回答这个问题,但她向记者展示了甲骨文在Java ME(移动版)明确的路线图。包括提供进一步的集成Web技术(HTML、JavaScript、CSS)、提供访问硬件和操作系统功能的新设备 API(图形、近距离非接触卡NFC、IMS、传感器、支付、电话、定位),以及为卡、电视、移动设备提供占用空间小、CPU效率高的Java实现(包括 针对ARM7/ARM9芯片和有限内存进行优化,并且进行升级以便支持处理电话、支付和位置服务等功能的手机应用程序编程接口)等新特性。

  Java虚拟机将向更多非Java语言开放

  Nandini Ramani告诉CSDN记者,,进一步开放JVM并支持更多的非Java语言将是其发展方向。收购Sun后,甲骨文就有了两个主流的 JVM(HotSpot和JRockit),未来将进一步整合,把两方面的优势资源合并到一个团队/代码库中,整合的JVM将通过OpenJDK开放源代 码,但她同时表示JRMC、JRRT和JRVE等高级特性仍不会开放源代码。

  对此,CSDN专访了某跨国大型IT企业中国区CTO(超过十年以上开发经验的资深技术人员),他表示Java语言近几年发展缓慢,但是衡量一 个语言是否成功,并不仅仅是语言本身可以决定。除了语言外,还有类库,和运行平台。从后两者而言,JVM(尽管Oracle最近种种举动实在非常令人失 望)以及围绕着JVM的开源社区所贡献的类库,依旧具有无可估量的价值。因此,JVM越来越被当作一个具有丰富类库支撑的通用平台,而不仅仅是Java语 言的运行平台。在未来,会越来越多的看到,应用JVM而不使用Java的情况,一开始可能是JRuby,Groovy等等,当未来支持更多的动态语言必将 是下一步的趋势。

  此外,Nandini Ramani还谈到了JavaFX的设计目标、客户端架构、关键API和路线图以及应用服务器等相关内容的最新进展。其中,JavaFX在易用性方面的内 容包括:(1)强大的API、可视化设计、标准UI控件和复杂UI控件、数据绑定;(2)开源的标准UI控件和复杂UI控件库;(3)支持大型数据集、内 置I18N和可访问性、高级换肤功能;(4)灵活使用图像、嵌入式HTML或2D-3D矢量图等等。

  • 0
    点赞
  • 0
    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