Animation's Brother ---- Animator

动画进阶之 Animator


上篇文章学习了Animation的原理,也许细心的人发现了,Animation只是在画布(Canvas)上不断的重绘,那么这样就会出现一个问题, 我们动画结束后,原来的view属性没有变化,假如一个button经过动画移动后, 再点击他,它所绑定的事件不会触发,必须点击原来的位置才会触发. 这就是Animator出现的原因. 别名:Property Animation(属性动画)

简介

既然是属性动画,那么需要什么?假如我们实现要知道什么?

1. 分析问题

  • 要实现什么属性(这个应该没异议)
  • 动画要执行多长时间?
  • 比如要实现一个人跑一千米的动画, 那么开头肯定是加速跑,中间是匀速,后来越来越慢的效果,那么只有上面两个是不够的, 还需要一个东西不断改变跑步的速度
  • 假如这个人是围着操场跑的,现在他厉害了,要跑一万米,假设中间有8000米匀速的(任性!),那他围着操场一圈圈转的时候,难道你就把一个动画做成转几百圈的?No! 定义循环次数
    -现在这个人更厉害了, 他跑步的时候还会大跳!,那么问题来了,他是跑一步一大跳,还是跑一圈一大跳?同时多个属性变化之间的关系

2. 解决问题

恭喜你,看到这里你已经会用Animator了.不信你看(以上文跑步为例):
- 你要有个”TA”, 有了TA,你TA才能为所欲为啊! [View]
- 你让他跑步,大跳,那他到底会干啥,他还能干什么?Android已经为“所有的他能做的动作”都考虑好了.像上帝一样,把这些都做放在了人的大脑里[ObjectAnimator],但是!他并不一定都做的到哦.,就像不是所有人都能把脚放到脖子上一样.
- 持续时间 [Duration]
- 越跑越快?越跑越慢?正跑三圈反跑一圈?**[Time Interpolator]**Android自带九种Interpolator.
-你现在知道他是跑步了,所以你知道他是跑的快,跑的慢,单位m/s,如果他是跳远呢? 那就是跳的远,单位m,我如此绞尽脑汁的拟人化到此要结束了. 程序员最好还是站在计算机的角度考虑问题. 计算机不知道跑是用m/s,还是m的,所以要告诉他[TypeEvaluator]

代码实现

  ObjectAnimator .ofInt("TA(View)","行为-跑(属性)","3000米(值Value[])") 
                 .setInterpolator("匀速跑(Interpolator)") 
                .setEvaluator("单位m/s"(IntEvaluator)) 
                .setDuration("跑多久"(Duration) .start();//start---->发令枪

今天有点晚了,不让他大跳了. 下次考虑他大跳, 还要考虑他要是残疾怎么办?
他要是缺胳膊少腿的怎么办,以及能不能给他装假肢的问题.

以上言论仅代表我此时此刻此分此秒的观点

欢迎大家对刚才的我进行拍砖,指正

  • 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