AIDL笔记

1.Binder Service端只要基于Binder类新建一个Server类重新Binder的onTransace()即可,这种方式是用来扩展系统服务,而对于客户端服务则必须基于四大组件的Service类来编写。所谓的系统服务是指可以使用getSystemService()方法获取的服务,所谓的客户端服务是指应用程序提供的自定义服务。

2.AMS提供了bindService(Intent service, ServiceConnection conn, int flags)函数来绑定一个服务,其原型在android.app.ContextImpl类中。当客户都请求AMS启动一个Service以后,Ams就会远程调用ActivityThread类中的ApplicationThread对象,调用的参数包含Service的Binder引用,然后在ApplicationThread中回调bindService中的conn接口。因此客户端可以在onServiceConnected()方法中得到服务的Binder引用,然后通过asInterface(Binder引用) 返回服务代理 来操作服务。

3.在应用程序中经常使用getSystemService(String serviceName)方法回去一个系统服务,该方法的实现是在ContextImpl类中,该方法返回的Service比较多,一般都是由ServiceManager管理。ServiceManager不直接将这些服务返回给客户都,而是将Service对应的Manager返回给客户端, 这个Manager类似Service的一个代理,客户端通过Manager间接的和Service打交道(如ActivityManagerService由ActiviyManager来间接操作)。

4.AIDL(Android Interface Description Language)的简写,是用于客户端/服务端通信接口的一种描述语言。我们自己编写服务需要提供一个接口,而且客户端和服务端必须统一实现这个接口。客户端和服务端与Binder驱动交互还用到Parcel的读写数据,外界还要得到Server服务,这些都是需要手工来书写,现在AIDL就是用来简化实现BinderServer的。

5.AIDL文件以.aidl后缀,就是客户端/服务端需要统一实现的服务接口,里面包含具体业务的方法。以androidStudio为例,需要在main目录下创建一个aidl文件夹,和java同一层级。当使用AS右键新建AIDL文件时 AS自动帮我们创建。如果需要用到自定义的类,还需要创建   类名.aidl  且必须和该类在同一包下。目录结构如下

6.由于gradle默认会在java目录下找依赖的类,所以会提示找不到Student类,需要在module下的build.gradle改一下默认行为,在android下添加如下:

7.由于5.0以后隐式声明Intent 启动Service变化,通过源码发现 隐式启动只要保证Component或者package其一不为空即可:

  • 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