用extjs4做个登录框

原来用extjs 3做过登录框,但是extjs 4对与键盘事件有些不大一样了,在旧版本中通过“keys”实现按“Enter”登录,在extjs 4中就不可以这样子做了。习惯性贴出代码:

 

 

 1         Ext.onReady( function () {
 2             Ext.tip.QuickTipManager.init();
 3              var loginForm = Ext.widget('form', {
 4                 title: '用户登录',
 5                 labelWidth: 60,
 6                 monitorValid:  true,
 7                 frame:  true,
 8                 bodyStyle: 'padding:5px 5px 0',
 9                 width: 300,
10                 url: '/account/logon',
11                 defaults: {
12                     anchor: '100%',
13                     allowBlank:  false,
14                     msgTarget: 'side',
15                     labelWidth: 60
16                 },
17                 defaultType: 'textfield',
18                 renderTo: 'login',
19                 items: [{
20                     fieldLabel: '用户名',
21                     name: 'userName',
22                     allowBlank:  false
23                 }, {
24                     fieldLabel: '密码',
25                     inputType: 'password',
26                     name: 'password',
27                     allowBlank:  false,
28                     enableKeyEvents:  true,
29                     listeners: {
30                         specialkey:  function (fied, e) {
31                              if (e.getKey() == e.ENTER) {
32                                 loginForm.onLogin();
33                             }
34                         }
35                     }
36                 }],
37                 buttons: [{
38                     text: '登录',
39                     formBind:  true,
40                     handler:  function () {
41                         loginForm.onLogin();
42                     }
43                 }, {
44                     text: '重置',
45                     handler:  function () {
46                          this.up('form').getForm().reset();
47                     }
48                 }],
49                 onLogin:  function () {
50                      var form = loginForm.getForm();
51 
52                      if (form.isValid()) {
53                         form.submit({
54                             waitTitle: '用户登录',
55                             waitMsg: '正在登录',
56                             success:  function (form, action) {
57                                 loginForm.setVisible( false);
58                                 window.location = '@ViewBag.ReturnUrl';
59                             },
60                             failure:  function (form, action) {
61                                 Ext.Msg.alert('用户登录', '登录失败');
62                             }
63                         });
64                     }
65                 }
66             });
67         });

 

转载于:https://www.cnblogs.com/TerryLiang/archive/2011/09/04/2166541.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选输入到另一个 CNN 中进行分类,并根据分类结果对候选的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界,对成百上千的预测边界都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下的置信度分数从大到小排序,选中值最大的 遍历其余的,如果和当前的重叠面积(IOU)大于设定的阈值(一般为0.7),就将删除(超过设定阈值,认为两个的里面的物体属于同一个类别) 从未处理的中继续选一个置信度分数最大的,重复上述过程,直至所有处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界的重叠度,当预测边界和真实边界差异很小时,或重叠度很大时,表示模型产生的预测边界很准确。边界A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界数量的比值 Recall表示TP与真实边界数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,RecallX轴,PrecisionY轴,可以画出一个Precision-Recall曲线,简称P-R
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