Javascript全局eval

     在最近的项目中用到了第三方的GIS产品,感觉巨垃圾。为了克服性能的问题,决定对JS使用并行下载,顺序执行的策略。首先是借鉴了一本书上的代码,代码是并行下载,也通过eval执行了,但是在window下就是看不到预期的function。在IE8和FireFox下通过都不行。晚上在家了翻阅资料,有人说window.eval和eval在不同的浏览器甚至同一浏览器不同版本下都不一样,在家中IE9下运行终于看到了预期的效果,第二天一大早到公司运行,结果又失败了(IE8)。后来在一国外的网站上终于找到了一段代码,这才算真正解决了自己的问题(做前端开发苦啊!!!呵呵)。废话说了不少了,直接上代码了:

   全局执行的代码

globalEval : function globalEval(src) {

    if (window.execScript) {

        window.execScript(src);

        return;

    }

    var fn = function() {

        window.eval.call(window,src);

    };

    fn();

}

  并行下载,顺序执行的代码:

//保证异步按顺序加载JS的代码,此代码后续需要进一步考虑和扩展

sdec.script= {

queuedScripts: new Array(),

loadScriptXHRInject:function(url, onload, bOrder){

var queueLen = sdec.script.queuedScripts.length;

if(bOrder){

var qScript = {response:null, onload:onload,done:false};

sdec.script.queuedScripts[queueLen] = qScript;

}

dojo.xhrGet({

url:url,

load:function(response){

if(bOrder){

sdec.script.queuedScripts[queueLen].response =response;

sdec.script.injectScripts();

}else{

//SuperMap相关的JS文件异步加载完毕,执行JS

sdec.script.globalEval(response);

if(onload){

onload();

}

}

},

error:function(){

console.debug(error.response);

}

});

 

},

 

injectScripts:function(){

var len = sdec.script.queuedScripts.length;

for(var i=0;i<len;i++){

var qScript = sdec.script.queuedScripts[i];

if(!qScript.done){

if(!qScript.response){

//停止!需要等待依赖的响应

break;

}else{

sdec.script.globalEval(qScript.response);

if(qScript.onload){

qScript.onload();

}

qScript.done = true;

}

}

}

},

globalEval : function globalEval(src) {

    if (window.execScript) {

        window.execScript(src);

        return;

    }

    var fn = function() {

        window.eval.call(window,src);

    };

    fn();

}

};[/size][/size]


 

  • 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