理解!!!perspective 和 perspective-origin 属性的作用和效果

本文详细介绍了CSS3的perspective属性和perspective-origin属性,用于实现三维空间的透视效果。perspective定义了元素的透视距离,使得元素呈现近大远小的视觉感受。而perspective-origin则允许指定观察者的角度,可以调整透视的出发点。通过实例代码和变化演示,帮助读者深入理解这两个属性的工作原理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

CSS3 perspective & perspective-origin

perspective 属性:定义一个透视距离,实现透视效果

perspective 属性是 CSS3 新增的特性,可以使我们的页面呈现出透视的效果。

  • 透视:就是在平面或曲面中描绘出物体的空间感、立体感,就像现实生活中看到景物有着近大远小的效果

perspective 的值是一个长度,表示可透视的最大距离。例如: perspective: 1000px;
设置了 perspective 属性之后,使用含有3D效果的属性,就会产生近大远小的效果。

例子1:

  1. 我们给父子关系的两个元素设置成同样大小,不同的背景色(这时候,我们只能看见蓝色的子元素)
  2. 我们给父元素添加透视属性 perspective: 1000px,给子元素添加transform: translateZ(-500px); 让子元素沿Z轴后退 500px 的距离(这时候,子元素缩小了,有了近大远小的效果。如图所示)
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
    <style>
        body {
            margin: 0;
        }

        .father {
            background: lightcoral;
            width: 400px;
            height: 200px;
            margin: 200px auto;
            perspective: 1000px;
        }

        .son {
            background: lightblue;
            width: 400px;
            height: 200px;
            transform: translateZ(-500px);
        }
    </style>
</head>
<body>
    <div class="father">
        <div class="son"></div>
    </div>
</body>
</html>

在这里插入图片描述
!!!注意:按道理子元素沿Z轴后退 500px 的距离,我们是看不见的才对,应该在父元素的后面,被父元素遮住。但是因为我们现在是2D渲染的效果,若给父元素添加 transform-style: preserve-3d; 使父元素变成一个3D渲染的元素,那么我们就看不见子元素了。

perspective-origin 属性:定义一个观察者的角度

perspective-origin 属性可以定义一个观察者的角度,俯视、仰视、左右侧视等等。
perspective-origin 属性有两个值,取值有3种方式:长度、百分比、方位单词。

取值:

perspective-origin: x轴距离 y轴距离;
perspective-origin: x轴百分比 y轴百分比; 默认观察源为 50% 50%,父元素的中心点
perspective-origin: 方位单词1 方位单词2; 方位单词:top、bottom、center、left、right

  • 若只设置了一个值,则第二个值默认为 50%

例子2:

  • 可以复制源码到自己的html文件里,用开发者工具调试 ul 里的 transform: rotateX(-35deg); 的值。改变盒子的倾斜度,更容易观察盒子
  • 可以调试 perspective-origin: 50% 50%; 里的值,观察盒子的变化,更容易理解。
<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <title>Document</title>

    <style>
        body {
            margin: 0;
        }

        ul {
            position: relative;
            width: 400px;
            height: 200px;
            margin: 200px auto;
            padding: 0;
            list-style: none;
            perspective: 1000px;
            perspective-origin: 50% 50%;
            transform-style: preserve-3d;
            transform: rotateX(-35deg);
        }

        li {
            position: absolute;
            top: 0;
            left: 0;
        }

        li:nth-child(1) {
            background: red;
            width: 400px;
            height: 200px;
        }

        li:nth-child(2) {
            background: yellow;
            width: 400px;
            height: 200px;
            transform-origin: 0;
            transform: rotateY(90deg);
        }

        li:nth-child(3) {
            background: blue;
            width: 400px;
            height: 200px;
            transform-origin: 400px;
            transform: rotateY(-90deg);
        }

        li:nth-child(4) {
            background: green;
            width: 400px;
            height: 200px;
            transform: translateZ(-400px);
        }
    </style>
</head>

<body>
    <ul>
        <li></li>
        <li></li>
        <li></li>
        <li></li>
    </ul>
    </div>
</body>

</html>

在这里插入图片描述

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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