适配

import java.io.File;  
import java.io.FileNotFoundException;  
import java.io.FileOutputStream;  
import java.io.PrintWriter;  
  
public class MakeXml {  
  
    private final static String rootPath = "D:\\layoutroot\\values-{0}x{1}\\";  
  
    private final static float dw = 320f;  
    private final static float dh = 480f;  
  
    private final static String WTemplate = "<dimen name=\"x{0}\">{1}px</dimen>\n";  
    private final static String HTemplate = "<dimen name=\"y{0}\">{1}px</dimen>\n";  
  
    public static void main(String[] args) {  
        makeString(240, 320);  
        makeString(320, 480);  
        makeString(480,800);  
        makeString(480, 854);  
        makeString(540, 960);  
        makeString(600, 1024);  
        makeString(720, 1184);  
        makeString(720, 1196);  
        makeString(720, 1280);  
        makeString(768, 1024);  
        makeString(800, 1280);  
        makeString(1080, 1812);  
        makeString(1080, 1920);  
        makeString(1440, 2560);  
    }  
  
    public static void makeString(int w, int h) {  
  
        StringBuffer sb = new StringBuffer();  
        sb.append("<?xml version=\"1.0\" encoding=\"utf-8\"?>\n");  
        sb.append("<resources>");  
        float cellw = w / dw;  
        for (int i = 1; i < 320; i++) {  
            sb.append(WTemplate.replace("{0}", i + "").replace("{1}",  
                    change(cellw * i) + ""));  
        }  
        sb.append(WTemplate.replace("{0}", "320").replace("{1}", w + ""));  
        sb.append("</resources>");  
  
        StringBuffer sb2 = new StringBuffer();  
        sb2.append("<?xml version=\"1.0\" encoding=\"utf-8\"?>\n");  
        sb2.append("<resources>");  
        float cellh = h / dh;  
        for (int i = 1; i < 480; i++) {  
            sb2.append(HTemplate.replace("{0}", i + "").replace("{1}",  
                    change(cellh * i) + ""));  
        }  
        sb2.append(HTemplate.replace("{0}", "480").replace("{1}", h + ""));  
        sb2.append("</resources>");  
  
        String path = rootPath.replace("{0}", h + "").replace("{1}", w + "");  
        File rootFile = new File(path);  
        if (!rootFile.exists()) {  
            rootFile.mkdirs();  
        }  
        File layxFile = new File(path + "lay_x.xml");  
        File layyFile = new File(path + "lay_y.xml");  
        try {  
            PrintWriter pw = new PrintWriter(new FileOutputStream(layxFile));  
            pw.print(sb.toString());  
            pw.close();  
            pw = new PrintWriter(new FileOutputStream(layyFile));  
            pw.print(sb2.toString());  
            pw.close();  
        } catch (FileNotFoundException e) {  
            e.printStackTrace();  
        }  
  
    }  
  
    public static float change(float a) {  
        int temp = (int) (a * 100);  
        return temp / 100f;  
    }  
}  
  • 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
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