同事弄的一份对jquery的结构的罗列

//捋一下jquery的结构.
1.(function(){
   
/*--框架体--*/
    window
= this,
    undefined,
//据说var undefined直接量会快于undefined.未考证
    _jQuery = window.jQuery, _$ = window.$ //如果window里有覆盖,临时存储进_jQuery 为后面的 noConflict (交出$控制权给其它js库) 作临时存储

   
/*jquery返回的对象只是根据selecter字符串取到的dom对象,经jQuery.fn.init包装之后的返回值(一个jQuery对象).
      除些之外, jQuery对此方法还有其它扩展,比如参数如果是function 则$(fn)实际为$.ready(fn) 等等之类   
   
*/
    jQuery
= window.jQuery = window.$ = function( selector, context ) {
       
return new jQuery.fn.init( selector, context );
    },

   
//定义jQuery基本原型,并作一份拷贝给 jQuery.fn
    $.fn = $.prototype = {
        init:
function(selector, context){...},
        ...
    }

   
//现在开始对jQuery及jQuery.fn作基于类拷贝方式的扩展方法. 下面是方法.
    jQuery.extend = jQuery.fn.extend = function(p) {...}

   
//扩展jQuery,使我们可以用 $.each   $.isFunction  之类的函数。这些函数并不是基于prototype 而是属于jQuery的静态方法.
    jQuery.extend({
        each:
function(){...},
        isFunction:
function(){...}
    })
   
   
//让init函数也具有jQuery的原型, 这样init函数包装出来的对象。即是jquery对象
    $.fn.init.prototype = $.fn;

   
//一个匿名函数, 实现css  selector, 这个匿名函数里定义了 Sizzle对象,用来分析selector参数 最终Sizzle 对象被赋值给window.
   
    (
function(){...})()
   
    window.Sizzle
= Sizzle;
    jQuery.find
= Sizzle;
    jQuery.filter
= Sizzle.filter;
    jQuery.expr
= Sizzle.selectors;
    jQuery.expr[
":"] = jQuery.expr.filters;
    ...
   
   
//定义事件
    jQuery.event = {}
    jQuery.Event
= function(){}
    jQuery.Event.prototype
= {}

    $.extend({
       
/*事件*/
    })

   
//REQUEST库
    $.extend({
       
/*ajax*/
    })

   
//效果库
    $.extend({
       
/*fx*/
    })

    ....

   
//插件机制
    $.extend({
       
    })
   
})()

  • 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