学习目标

前沿技术

插件化、热更新、进程保活、MVP/MVVM组件化、启动优化、Kotlin、

技术点障碍

  • Android基础:Fragment、Service、Binder、Activity、Broadcast、WebView安全漏洞
  • 异步消息处理机制:Handler、AsyncTask、IntentService、HandlerThread
  • View相关技术:View的渲染喝绘制、事件分发、ListView
  • Android构建:Android编译打包、Git、Proguard混淆、Gradle、Lint检测
  • 网络框架:Retrofit、Okhttp、Volley
  • 图片框架:Glide、Fresco、UIL
  • IOC框架:Dagger2、Butterknife、RXJava
  • Android性能优化:UI卡顿、内存管理、内存泄漏
  • 设计模式相关技术:
  • 观察者模式、动态代理、工厂、策略类、装饰、桥接、单例
  • Java高级相关技术:堆栈、反射、注解、泛型、线程池、并发编程、Socket、IO/NIO、极盒框架、类加载器、Dalvik/ART/Dex
  • 网络协议相关:HTTPS/HTTP、DNS、TCP/IP、加密算法

算法

复杂度分析:
  • 了解常见的时间复杂度
  • 建立复杂度和数据规模之间的概念
  • 通过实验的方式,亲在验证自己代码的时间复杂度
  • 理解均摊复杂度分析
数组:
  • 通过基础问题,掌握写出正确算法的秘诀
  • 巧妙使用双索引技术,解决复杂问题
  • 对撞指针、滑动窗口
查找表问题:
  • 树和哈希表两种不同底层实现的查找表
  • 使用map、set、unordered_map、unordered_set解决算法问题
链表:
  • 在链表问题中灵活使用指针
  • 使用虚拟头节点简化链表问题
  • 在链表中使用双指针解决复杂问题
栈:
  • 栈的基础使用
  • 巧妙使用栈写出非递归算法
  • 深入理解系统栈、模拟系统栈的递归调用
二叉树:
  • 通过二叉树天然的递归结构理解递归算法
  • 递归算法的两要素
  • 二分搜索树中的算法问题
队列:
  • 在树结构和图结构中使用广度优先遍历
  • 巧妙对问题进行建模
  • 使用优先队列解决问题
回溯:
  • 掌握回溯算法的基本写法
  • 排列问题、组合问题
  • Flooddfill
  • 使用回溯算法解决简单的人工智能问题
动态规划:
  • 深入理解什么是动态规划
  • 记忆化搜索
  • 重叠子问题和问题的无后效应
  • 01背包问题详解-LIS、LCS等问题分析
贪心算法:
  • 避过贪心算法的陷阱

OkHttp

  • OkHttp框架的整体设计思路解析
  • OkHttp使用方法简介
  • OkHttp异步/同步流程和源码分析
  • OkHttp核心类OKhttpClient/call解析
  • Okhttp连接池ConnectionPool原理解析
  • OkHttp调度器Dispatcher源码分析
  • OkHttp任务调度和调度模型分析
  • OkHttp拦截器Interceptor源码分析
  • OkHttp缓存策略源码分析
  • OkHttp链接复用原理分析
  • Okhttp网络底层详解(Address/StreamAllocation/httpCodec)

Retrofit

  • Retrofit整体介绍
  • Retrofit使用方法简介
  • Retrofit 核心类ConverterFactory/CallAdapterFactory解析
  • Retrofit建立网络实例发送网络请求分析
  • Retrofit静态,动态代理接口和注释解析
  • Retrofit封装接口/底层OKhttp源码分析
  • Retrofit同步/异步请求对比分析
  • Retrofit源码-设计模式总结

RxJava

  • Rxjava整体介绍
  • Rxjava观察者模式解析
  • Rxjava基本实现源码解析
  • Rxjava线程控制-Scheduler源码解析
  • Rxjava事件序列进行变换-map/lift解析
  • Rxjava订阅/创建阶段源码解析
  • Rxjava变化过程源码解析
  • Rxjava线程切换过程源码解析

EventBus

  • EventBus整体介绍
  • EventBus消息机制/组件之间消息传递
  • EventBus基本使用源码解析
  • EventBus观察者模式和广播源码解析
  • EventBus核心类源码解析
  • EventBus 整体总结

ButterKnife

  • ButterKnife整体介绍
  • ButterKnife注解的解析方式
  • ButterKnife Elements/Types/Filer解析
  • ButterKnife APT原理解析
  • ButterKnife核心类ButterKnifeProcessor /ViewBinder解析
  • ButterKnife 深入分析(bind/Finder/ViewBinder)
  • ButterKnife整体总结

Dagger2

  • Dagger2 整体介绍
  • Dagger2 基本用法源码解析
  • Dagger2 Inject,Component,Module,Provides解析
  • Dagger2 依赖注入/注解解析
  • Dagger2 增加开发效率/解耦解析
  • Dagger2整体总结

Leakcanary

  • java/android内存泄漏场景和原理分析
  • Leakcanary检测内存泄漏/原理解析
  • MAT工具的原理分析
  • Leakcanary入口->泄漏源码解析
  • Leakcanary核心类RefWatcher/AnalysisResult/
  • LeakTrace源码解析
  • Leakcanary整体总结

Blockcanary

  • Blockcanary整体介绍
  • Blockcanary非侵入式解析
  • Blockcanary解决UI卡顿/内部实现源码解析
  • Blockcanary卡顿监控:堆栈/CPU解析
  • Blockcanary核心类Blockcanary/DisplayService源码解析
  • Blockcanary整体总结

Glide

  • Glide加载图片总体设计和流程分析
  • Glide基本用法/配置参数/两种写法解析
  • Glide核心类源码解析
  • Glide源码分析-with:Glide/RequestManager
  • Glide源码分析-load:DrawableTypeRequest
  • Glide源码分析-into(1):GenericRequestBuilder
  • Glide源码分析-into(2):EngineJob
  • Glide基本概念剖析:Model、Data、Resource
  • Glide缓存原理分析:Encoder/Registry/ResouseEncoder
  • Glide源码总体流程梳理

Picasso

  • Picasso加载图片总体设计和流程分析
  • Picasso基本用法:基本加载/占位图/转换器
  • Picasso核心类源码解析
  • Picasso源码分析-with: Picasso/ Downloader/
  • Dispatcher/service 线程池
  • Picasso源码分析-Dispatcher中所包含的重要对象
  • 实例Picasso源码分析-load:RequestCreator对象
  • Picasso源码分析-into:图片加载
  • Picasso源码总体流程梳理
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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