dotnet X11 的多屏触摸行为测试

故事的背景是我在给 Avalonia 加上触摸尺寸的支持时，代码审查过程中大佬提出了在多屏上的 X11 行为问题，为此我找了两个触摸屏进行测试 X11 的多屏触摸行为。 由于我的设备有限，本文只记录我所测试到的行为 给 Avalonia 加上触摸尺寸支持的功能的代码： https://github.com/AvaloniaUI/Avalonia/pull/16498 基础环境 /etc/debian_version 获取 debian 版本号，输出信息如下 >$ cat /etc/debian_version bullseye/sid bullseye 是 debian 11 发现触摸屏的触摸输入和对应的屏幕显示没有对齐，需要根据以下大佬们的博客进行修复 Linux处理多触屏的终极解决方案 香风家的火柴盒 【图形显示】扩展屏模式，触摸点较准不准确_90-touchscreen-map-CSDN博客 具体输入行为测试 github.com/lindexi/lindexi_gd.git git pull origin dedfc0ec3a3c8d04e7bec5276fe5bcaa926fe6e9 获取代码之后，进入 X11

2018世界杯用户行为新趋势洞察报告

与往届世界杯相比，本届世界杯用户参与行为有哪些差异与变化？未来足球赛事运营的机会点有哪些？ 酷鹅用户研究院（微信ID：kueclub）联合腾讯指数开展世界杯系列研究，本期为第二期《2018世界杯用户行为新趋势研究》，为您解读世界杯参与用户的观赛情况、热议内容、周边活动参与及体验等，全方位呈现2018 年世界杯用户行为新趋势。 .JPG 幻灯片2.JPG 幻灯片3.JPG 幻灯片4.JPG 幻灯片5.JPG 幻灯片6.JPG 幻灯片7.JPG 幻灯片8.JPG 幻灯片9.JPG 幻灯片10.JPG 幻灯片11

记 X11 里面触摸的一些行为

这是我在学习 CPF 和 Avalonia 过程中，编写的 X11 触摸测试程序所测试到的一些行为 前置博客： dotnet 学习 CPF 框架笔记 了解 X11 里如何获取触摸信息 X11 触摸测试程序 测试程序开源代码路径： https://github.com/dotnet-campus/ManipulationDemo/tree/master/ManipulationDemoCpfX11 此测试程序基于 CPF 的源代码进行编写 XI_Leave 行为 以下是我测试到的 XI_Leave 的行为逻辑 当存在别的窗口在当前的窗口之上时，触摸先进入当前的窗口，让当前的进程收到了 X11 的 Down 事件 XITouchClass Touch mode: direct Max number of touches: 50 如此可以证明这是从 X11 github.com/lindexi/lindexi_gd.git git pull origin c64e19bfab4a85720d9a0692f1de3c960d6d8ce1 获取代码之后，进入 X11

设计模式（11）——模板方法模式（Template Method Pattern，行为型）

模板方法模式（Template Method Pattern）属行为型，在一个方法中定义一个算法骨架，而将一些步骤延迟到子类中，使子类可以不改变算法结构即可重定义算法的某些特定步骤。 --分割线---------- 运行纯阳无极功 开通正经与奇经 使用真武剑 使用招式神门十三剑 突然肚子不舒服，老夫先去趟厕所 3.模版方法模式的使用场景和优缺点 应用场景： （1）各子类中公共的行为应被提取出来并集中到一个公共父类中以避免代码重复 优点 （1）模板方法模式通过把不变的行为搬移到基类，去除了子类中的重复代码。 （2）子类实现算法的某些细节，有助于算法的扩展。

转向行为 - 寻找行为

寻找行为只是把机车移动到指定点。 现在给出寻找行为的一个例子： <UserControl xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x 仅仅是让场景上一个有转向行为的机车在每帧去寻找鼠标。试着改变机车的最大速率和最大力度，或者改变其质量(mass)来感受一 下这些因素对转向行为的影响。 myStar.seek(new Vector2D(mouseX, mouseY)); myStar.update(); 到此，应该已经见识了转向机车如何寻找鼠标或者另一辆机车，当对这些工作有了很好的理解后，我们进入下一个行为

转向行为 - 追捕行为

对于追捕行为，它非常类似寻找行为。其实追捕的最后一个动作就是调用寻找。追捕的本质是预测目标所要到达的位置并事先赶到。 那么，该如何预测目标的位置呢？ 而实际上，寻找行为就是一个预测时间为零的追捕行为。 一个策略是基于两机车间的距离来判断预测时间。如果目标太远，需要花一段时间才能赶上，就预测长一点，如果很接近，马上就能达到，就预测短一点。 一个是只顾移动的机车，其作为目标，另外两个转向机车，一个用寻找行为，一个用追捕行为。如果一切正常，追捕者靠着优越的算法会胜出。  接下来的行为是：躲避。 

2018-11-23 数据引擎排名，2018年11月数据库趋势图

实时数据 https://db-engines.com/en/ranking_trend

2023年值得密切关注的11个技术趋势

转向行为 - 到达行为

到达行为在很多场合都可以被当作是寻找行为。实际上，它们之间的算法和处理方式都一样。唯一不同的是，在到达模式中，一辆机车在到达目标的某一距离时，会变成一种精确模式慢慢地靠近目标点。 为了了解到达行为的必要性，可以先运行一下SeekTest类，然后移动鼠标到某处让机车过来“抓住”它。会看到机车快速的越过了鼠标，接着它发现过头了，又返回来，还是过头了....于是会一直循环下去。 到达行为通过减速接近目标，解决了这个问题： public void arrive(Vector2D target) { Vector2D desiredVelocity 最终速度会趋向于0（假设只有一个行为作用于该机车）。 如果愿意可以再试着玩玩增加多辆机车，或者现在就进入下一个行为：追捕。 

转向行为 - 躲避行为

躲避就是追捕的反行为。就像追捕类似于寻找，躲避类似于避开。 本质上讲，是预测出机车将要去到的位置并远离它。在这里所有的原则都和追捕相同。

AI预测自杀趋势 | 加拿大政府采集社媒数据干预自杀行为

原作 Melanie Ehrenkranz Root 编译自 Gizmodo 量子位 出品 | 公众号 QbitAI 加拿大预防自杀协会的数据显示，在加拿大，每天几乎有11个人自杀。 Kenton White，Advanced Symbolics首席科学家 另外，这家公司可以一定程度地检测到用户是否有：起自杀的念头，或有尝试过自杀，自残，或者是拿自杀威胁他人，和别人聊过自杀计划等行为 从公开的合同看，Advanced Symbolics会把自杀相关的研究结果按年龄和性别分类讨论，最后把行为模式的变化，潜在的危险因子（极有可能自杀），保护因子（自杀倾向很小）等研究结论呈交给加拿大公共健康中心 Facebook去年11月声称，他们会做大AI自杀干预项目，“用模式识别来监测发文内容和直播视频，然后帮助Facebook快速响应帮助那些有自杀想法的用户。” ? △ Facebook最近上线的自杀干预功能 Facebook和Advanced Symbolics试行项目不同地方在于，后者的关注点不在单个用户上，而是想预测出一个地区的自杀趋势，如果有上升的话，就提前三个月提醒政府注意

【独家专访】华为：11年技术积累，引领闪存演进趋势

3分钟了解闪存演进趋势，华为今日“开讲”！

普华永道：ChatGPT和生成式AI的11大安全趋势

以下是 11 个关于生成式人工智能在未来将如何影响网络安全的预测。 1. 恶意使用人工智能 当涉及到我们可以利用人工智能的方式时，我们正处于一个拐点，这种范式转变影响着每一个人和每一件事。 加强威胁情报 虽然释放生成式人工智能能力的公司专注于保护，以防止恶意软件、错误信息或虚假信息的创建和传播，但我们需要假设生成式人工智能将被不良行为者用于这些目的，并提前采取行动。 11. 实施数字信任战略 生成式人工智能等技术的创新速度，加上不断发展的“拼凑”监管和对机构信任的侵蚀，需要一个更具战略性的方法。 参考资料： https://venturebeat.com/security/pwc-highlights-11-chatgpt-and-generative-ai-security-trends-to-watch-in

IT深度趋势：11种编程语言一度辉煌 缘何没落？

作为IT专业人士，我们总是在寻找下一个主流趋势，否则我们的结局就会像这些编程语言一样。 文|“IT投资客”记者 女T客 如果你已经在IT界呆了超过五年,那么你就会看到编程语言来了又去。 首先,我要说的是这里列出的11种语言是任意选择的。这里面有100多个竞争者,但是我寻找的语言至少是有或者曾经有一定的受欢迎程度和广泛使用度的。当然了，我也不是说这些语言本质上有什么不妥。 11、Smalltalk ? 在这个名单上有几个巨型语言,几乎做了所有语言能做到的事情。Smalltalk不在其中。 编程语言来了又走，如果不能改变趋势，那就把握好趋势。

转向行为 - 避开行为

避开行为与寻找行为彻底相反。实际上，除了代码最后一行用相减代替了相加以外，其它都一样。 现在我们有了一对正反行为，接下来要做的是为这对行为创建一对机车来看看情况。 我们还可以把两个行为同时用于一辆机车上。下面的例子中，机车A同时寻找和避开机车B，机车B同时寻找和避开机车C，机车C同时的寻找和避开机车A。这三辆机车会因为追捕各自的目标而形成一个圆。 如果这些都没问题了，那就开始探索下一个行为：到达。

转向行为 - 漫游行为

漫游行为就像它的名字一样，角色在场景中毫无目的的移动。这通常用来模拟巡视和觅食，也有纯粹是为了漫游而漫游的。 漫游行为在实现上不像听起来那么容易。

2019年，这11个数字营销趋势不容忽视！

引言：本文详细介绍了在2019年里，随着SEO、社交媒体、PPC等数字营销格局发生巨大变化，目前出现的最新且不容忽视的11个数字营销趋势。 在当今高科技、互联网连接的时代，有许多新的数字营销趋势和策略正在演变，企业需要利用它们来取得成功，因为去年你行之有效的方法，今年可能行不通。 以下便是我们给出的2019年11个关键的数字营销趋势。 要了解如何利用这一数字营销趋势，可参阅PPC Hero’s Guide。 EmailMonks的营销主管Kevin George说：“未来的电子邮件是实时的，基于行为的个性化。 11 社交媒体Stories 随着社交媒体“Stories”的日益盛行，营销人员在数字营销策略中也需要将这种形式考虑进去。

2022年天猫双11大促消费行为分波段洞察

来源：阿里妈妈 公众号后台回复： 报告 获取源文件 欢迎添加本站微信：datajh （可上下滑动或点单个图片放大左右滑动查看）

姿态估计与行为识别（行为检测、行为分类）的区别

姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 （Action Detection/Regnition），最终的结果是得到图像或视频段中目标的行为类别。 视频中人体行为识别主要分为两个子方向。 参考文献 行为识别的综述博客： https://blog.csdn.net/neu_chenguangq/article/details/79504214 给出了行为识别的一些概述及资源合集（文章、代码 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务

人群行为分类数据库--Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis

Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis CVPRW2017 这个数据库目前貌似没有公开，以后应该公开吧。 针对人群行为分析方面的研究，本文主要的工作有以下三点： 1）针对人群行为细分，我们建立了一个较大的数据库 Crowd-11， 11 crowd motion patterns and it is with an average length of 100 frames per sequence. 2）针对本文提出的数据库，我们在上面对比了4个算法的性能 3）针对这个数据库，做了一个异常行为分类应用 Related work Crowd analysis 人群行为分析主要包括以下几个方面的工作： 1）Counting or density estimation 人群密度估计及计数 2） 所以我们需要建立一个大的很是数据库 11类视频人群运动名称 ? ?