文章标题

正课:
1. BOM:
window对象
2. *定时器

  1. BOM: Browser Object Model
    专门操作浏览器窗口的API —— 没有标准

    window对象: 2个角色:
    1.代替Global,充当全局作用域,
    包含所有全局对象,方法和变量
    2.指代当前打开的浏览器窗口!

    属性:
    浏览器窗口中,文档显示区的范围:
    innerHeight innerWidth
    浏览器窗口的大小: outerHeight outerWidth
    方法:
    打开窗口: window.open(“url”,”name”);
    其中: 内存中,每个窗口对象都有一个唯一的name属性
    相同name属性的窗口,只能打开一个!
    后打开的会替换先打开的
    备选值:
    _self:在当前窗口打开
    _blank: 在新窗口打开,随机分配name。默认
    关闭当前窗口: window.close();
    移动到: window.moveTo(left,top);
    改变窗口大小: window.resizeTo(newWidth,newHeight)

    1. 在网页中打开新连接的方式:

      1. 替换当前窗口内容,可后退:
        html:
        js: [window.]open(“url”,”_self”)
      2. 替换当前窗口内容,禁止后退:
        history对象: 在内存中存储当前窗口打开过的历史记录的栈结构。
        location对象: 保存当前窗口正在打开的url地址
        js:location.replace(“新url”);
        替换history中,当前的url记录
      3. 在新窗口打开,可打开多个:
        html:
        js:[window.]open(“url”[,”_blank”])
      4. 在新窗口打开,仅能打开一个:
        html:
        意为: 在名为name的新窗口打开url
        如果重复打开相同name的窗口,新打开的会替换旧的
        js:[window.]open(“url”,”name”)
    2. 窗口位置和大小:
      补: open(“url”,”name”,”config”)
      其中config是配置窗口初始大小和位置的配置字符串:
      config=”left=值,top=值,width=值,height=值”
      强调:其中width,height相当于innerWidth和innerHeight

    open其实会返回新打开的窗口对象

    screen对象: 保存屏幕的分辨率信息
    完整屏幕宽高: screen.width screen.height
    去掉任务栏后的剩余宽高:
    screen.availWidth screen.availHeight

    获取鼠标相对于整个屏幕的位置: 2步:

    1. 获取事件对象e
    2. 获得相对于整个屏幕的位置:
      e.screenX e.screenY
  • 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
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