Android开发笔记----Activity再学习(生命周期、启动模式、intent-filter)

本文参考了任玉刚前辈的《Android开发艺术探索》一书,可以说是该书相关内容的读书笔记。

(一) Activity生命周期:

正常启动:onCreate->onStart->onResume

再回到:onRestart->onStart->onResume

back键:onPause->onStop->onDestroy

                                       到桌面或者打开新的:onPause->onStop

           onStart,onStop:是否可见

            onResume,onPause着重是否位于前台

         栈顶Activity需要先onPause,新Activity才能启动 onPause(旧)->onCreate->onStart->onResume->onStop(旧)

          所以不能再onPause中做重量级的操作,,应该在onStop中做操作,从而新的Activity尽快显示出来。

异常情况:

(1)资源相关配置改变(如横竖屏幕)

onPause与onSaveInstanceState方法顺序不定->onStop->onDestroy,onSaveInstanceState方法保存的Bundle对象传递给onRestoreInstanceState和onCreate方法

                                           |

                 重新创建的Activity  onCreate->onStart()->onRestoreInstanceState方法 取出Bundle并恢复数据。Activity委托Window保存数据,Window委托VIewGroup(DecorView)保存,ViewGroup委托View保存数据,典型的委托思想。推荐使用onRestoreInstanceState恢复数据,因为该bundle参数一旦有值,一定非空,而onCreate 则需要判断。

        (2)资源内存不导致优先级低的Activity被杀死

优先级高低情况:1.前台Activity最高 2.可见非前台次之 3,.后台Activity最低。

若某项内容改变我们不需要让系统重新创建Activity可指定configChanges属性,会调用onConfigurationChanged方法,我们可以做些自己的特殊处理。



(二)Activity的launchMode(启动模式)

(1)standard

标准的默认模式,是多实例的,谁启动了该模式的Activity,该Activity便会进入启动了它的Activity的任务栈(TaskStack),相关错误:ApplicationContext启动standard的Activity报错,原因:非Activity的前者无所谓的任务栈。可以为待启动的Activity指定FLAG_ACTIVITY——NEW_TASK标志位,启动时候会为其创建一个新的任务栈(见singleTaask 模式)

(2)singleTop

栈顶复用模式:新的Activity已在栈顶,不重复创建,同时它的onNewIntent方法会被回调,onCreate,onStart不会被系统调用。存在该实例在任务栈中,但不在栈顶则还会重新创建。

(3)singleTask

栈内复用模式:activity栈内存在,就不重新创建。首先寻找任务栈是否存在,无:创建任务栈,放入启动的Activity。有:有该Activity的实例么?无:创建该Activity放入任务栈的栈顶。有:把该Activity调到栈顶并clearTop,同时onNewIntent也会回调。

        (4)singleInstance

单实例模式,加强版singleTask,具有singleTask 的特点,同时具有该模式的Activity单独位于一个任务栈。

指定启动模式的方法:XML属性里面的launchMode属性,和Java代码里的intent。addFlags();

(三)Activity的Flags

FLAG_ACTIVITY_NEW_TASK

FLAG_ACTIVITY_SINGLE_TOP

FLAG_ACTIVITY_CLEAR_TOP

FLAG_ACTIVITY_EXCLUDE_FROM_RECENTS

(四)Intent Filters匹配

该知识点主要用于Android隐式调用Activity,需要intent可以匹配目标组件的IntentFilter中设置的过滤信息,在XML文件中的Intent-filter属性,包含action、category、data,intent-filter可以有多个,intent满足一个filter的data、action、category即可。(同时满足这三者)。那么这三者各自的匹配规则又是怎样的呢?

action匹配规则:action是一个字符串形式,任何一个action相同即匹配成功

category匹配规则:可以没有category,或者是一旦有category,不管有几个,每个都要与filter中任何一个category相同,系统调用startActivity和startActivityForResult自动为intent添加了DEFAULT这个category,所以这个category就可以匹配过滤规则,同时为了activity接受隐式的调用,就必须在intent-filter中添加“android.intent.category.DEFAULT”这个category。

data的匹配规则:与action类似

data的结构:由二部分组成URI和mimeType,后者指得是媒体类型如image/jpeg等。前者包含 scheme、port、path、pathPrefix、pathPattern

分别指URI模式,主机名、URI端口号、路径信息。过滤规则没指定URI则默认为content、file。也就是说没有指定的话,intent的URI部分要有content或者file的scheme,为intent指定完整的data要使用setDataAndType方法,而不是分开的setData或者setType,以为这二个方法彼此清除对方的值(从源码可以看出是把对方的值置为空)

隐式启动intent注意的地方在于:我们可以做判断看是否activity匹配我们的intent,使用PackageManager的resolveActivity方法或者intent的resolveActivity方法,找不到匹配的Activity返回null,同时,PackageManager的queryIntentActivities方法返回所有成功匹配的Activities(复数形式),前者是指最佳匹配。

Android入口Activity的action为MAIN,category为LAUNCHER 缺一不可

  • 1
    点赞
  • 1
    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的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