GT-Grid 的 feature 列表 (包含尚未实现,但将会实现的feature)

最新推荐文章于 2024-12-12 17:13:35 发布
最新推荐文章于 2024-12-12 17:13:35 发布
阅读量185 收藏
点赞数
分类专栏： GT-Grid 文章标签： Ajax
本文列举了一个名为GT-Grid的列表组件所需具备的各种特性，包括滚动条优化、自定义表头、数据导出、编辑功能、统计计算等，并邀请读者参与讨论和完善。

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

今天整理了一下 列表组件应具备的 特性列表,这些也是GT-Grid努力要实现的特性.

其中有些可能并不是很有用处,也可能有些很有用处的特性没有被包含,
欢迎大家补充和讨论,谢谢了 :)
==============================
列表内部滚动条(固定表头,固定工具栏等)

自定义复杂表头

可方便的为工具栏添加自定义按钮(或链接).

页导航,页大小切换

可手动调节列宽

可动态控制列的显示和隐藏

可手动调节列的相对位置(通过鼠标拖拽)

按列排序 (支持当前页 和全部数据,支持复合排序)

按列筛选 (支持当前页 和全部数据,支持复合筛选)

按列编组 (两种方式:1 合并编组列,2 隐藏编组列,增加分隔行)

按列锁定 (锁定的列将在横坐标方向固定不动)

支持行选择 (单选 多选)

可手动调节行的相对位置(通过鼠标拖拽)

可调节列表的宽度和高度

数据导出, 打印 (支持当前页 和全部数据,导出支持xls,csv,pdf格式)

自定义单元格内容展现方式

自定义列行为 行行为 单元格行为

附加列(也称作伪列,指在页面展现时才生成的数据列)

附加行(每行数据可以指定附加的信息 放在该行下面的隐藏行内,可通过操作来使其展现或隐藏)

可编辑列表(CRUD操作,支持多种编辑模式,支持批量增加,支持按模板增加 ),并且能够得到保存成功或失败的反馈,对数据的编辑在保存前可以撤销.

统计(行 列 求和 求平均值 自定义公式,同时要支持附加列,支持编辑后的实时统计,支持编组后的按组统计,支持客户端统计,支持服务端统计)

支持同一页面显示多个grid,并且可以定制彼此之间的关联关系

支持键盘操作(为常用功能提供键盘按键支持)

换肤(改变列表的风格样式)

支持当前页面懒加载,类似rico、dorado那种,随着滚动条向下滚动,逐步生成表格(适用于单页大数据量)

支持页面数据缓存 (可在刚刚访问的页面和当前页面间快速切换)

预加载 ( 在浏览当前页面时,利用ajax请求,将下一页数据提前载入,减少翻页时的等待时间)
【Image captioning】论文1（网格特征）In Defense of Grid Features for Visual Question Answering（CVPR2020)
安静到无声
04-11 1650
多模态视觉与语言研究中的一些重要发展，包括深度学习和注意力机制的引入以及“自下而上”的注意力机制的发现。相比传统的“自上而下”的语言输入来聚焦于视觉输入的特定部分，自下而上的注意力机制使用预训练的物体检测器仅基于视觉输入本身来识别显著区域。因此，图像通过基于边界框或区域的特征表示，这些特征已经在多项任务中占据主导地位，尤其是视觉问答任务。 该段文字探讨了区域特征在多模态视觉与语言研究中成功的原因。作者提出了两种可能的原因：一是更好地定位单个物体，由于区域是直接从检测器输出的边界框结果；二是若干个重叠的区域可
GeoTools实战指南: 一步步教您轻松实现Shapefile矢量图层可视化
孙霸天的专栏
04-28 3108
在本教程中，我们将详细介绍如何使用GeoTools库轻松实现Shapefile矢量图层的渲染和可视化。GeoTools是一款功能强大的开源地理信息系统（GIS）工具包，用于处理各种地理数据。本教程将为您提供一步步的指南，包括环境准备、代码解析、示例应用程序以及自定义样式。通过本教程，您将学会如何快速搭建一个可视化应用程序，以展示和分析Shapefile矢量数据。
Ext.grid.Panel表格特性Feature
Mars的专栏
05-11 3884
Ext.grid.feature.Feature是一类针对Ext.grid.Panel 的特殊插件，提供了可以被扩展的基本模板方法。子类包括： 1、Ext.grid.feature.RowBody 表格行体 行体特性为表格追加了tr标签，跨越了原始表格的所有列，在表格中展示一些描述性的特殊信息时非常有用，行体在默认状态下是隐藏的，如果需要展示行体必须覆盖getAdditionalData方法，
『论文笔记』In Defense of Grid Features for Visual Question Answering
Hoshino Ren的博客
11-29 2722
In Defense of Grid Features for Visual Question Answering 一句话总结 网格特征不仅准确度不输给区域特征，推理速度上又快出一个量级。 导论 本文主要探讨了在VQA等视觉语言任务中，使用什么类型的图像特征可以达到更好的效果。区域特征(Regions)还是网格特征(Grids)？ 在以VQA为代表的一系列视觉语言任务中，Bottom-Up注意力方法得到了广泛应用，并取得了优异的效果。这种方法将图像表示为一组基于Bounding box的区域特征，
In Defense of Grid Features for Visual Question Answering论文笔记
bxg1065283526的博客
07-18 1566
Abstract 作为“自底向上”关注[2]，基于边界框（或区域）的视觉特征最近已经超过了普通的基于网格的卷积特征，成为视觉和语言任务（如视觉问题回答（VQA））的事实标准。然而，还不清楚地区的区域（例如更好的定位）是否是自下而上注意力成功的关键原因。在这篇文章中，我们重新审视了VQA的网格特性，发现它们可以非常好地工作——以同样的精度运行速度快一个数量级以上（例如，如果以类似的方式预先训练）。通过大量的实验，我们验证了这一观察结果在不同的VQA模型（报告了vqa2.0测试标准72.71的最新精度）、数据
用于视觉问答的防御网格特征模型《In Defense of Grid Features for Visual Question Answering》
xiashilin的博客
06-21 1950
这是视觉问答论文阅读的系列笔记之一，本文有点长，请耐心阅读，定会有收获。如有不足，随时欢迎交流和探讨。 一、文献摘要介绍 Popularized as ‘bottom-up’ attention [2], bounding box (or region) based visual features have recently surpassed vanilla grid-based convolutional features as the de facto standard for vision a
LoFTR： Detector-Free Local Feature Matching with Transformers
Word_And_Me_的博客
05-26 2108
网址大多数现有的匹配放大都是有三个阶段工作：特征点检测、特征点描述和特征点匹配。然而，当在低纹理区域、重复模式、视角变化、光照变化和运动模糊等情况下难以提取可重复兴趣点，进而会导致特征点匹配失败。LoFTER首先通过对图像进行卷积下采样以及上采样等操作，获得在原始图像1/8维度处的粗粒度特征表示和1/2维度处的细粒度特征表示；然后，将粗粒度特征表示进行Transformer特征提取；将得到的特征表示图进行特征匹配，获得粗匹配；
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 8289
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 6187
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
Ubuntu16.04+Kinect-v2+RGBD SLAM V2实现
灵隐狐的博客
12-02 1988
Ubuntu16.04+Kinect-v2+RGBD SLAM V2实现1.安装ROS2.安装kinect-v2驱动并测试3. 在ROS中编译iai-kinect2：4. 1.安装ROS 1.1 设置sources.list: sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" >...
OpenDaylight-Boron学习笔记: 5 OpenFlowPlugin模块
帆星的天空
05-19 3605
环境及软件版本说明===SN-Controller：CPU: 2 CoresRAM: 4GBDisk: 32GBOperating System: CentOS7 x86_64 1611(Linux 3.10.0-514) Infrastructure ServerIP1: 10.0.3.100/24 (Public Network)IP2: 172.16.3.100/24 (SDN Network
ViLT：最简单的多模态Transformer
weixin_40920183的博客
05-22 3644
之所以用这一篇作为多模态的开篇是因为这篇清楚的归纳了各种多模态算法，可以当成一个小综述来看，然后还提出了一种非常简单的多模态Transformer方法ViLT。先阐述一下4种不同类型的Vi...
多模态大模型（一）——只用Transformer Encoder的方法(CLIP、ViLT、ALBEF、VLMo)
薛定谔的猫的博客
12-12 1566
总之VLMo还是非常有效的，它在 4 million的数据集上的表现就已经非常亮眼了，它跟 ALBEF去做这种公平对比的时候，是比 ALBEF全线都要高的要 2 到 3 个点，所以算是 significant improvement。
OpenDaylight安装feature时出现Error executing command: Can't install feature问题
KylinKylin的专栏
05-08 4796
这个问题很普遍，原因就是ODL版本更迭很快，版本之间对feature的命名也总是变化，所以一些feature:install命令可以在上一个版本执行，下一个版本就找不到了。看来命名规范还是很重要的啊。我是用的是ODL-Carbon-SR4版本。feature的安装网上有很多教程，例如这个：https://blog.youkuaiyun.com/zengxiaosen/article/details/72864...
UOS搭建SDN 题型三
a1119619789的博客
12-15 497
启动OpenDayLight的karaf程序，安装如下组件：odl-restconf、odl-l2switch-switch-ui、odl-mdsal-apidocs、odl-dluxapps-applications。· H1启动HTTP-Server功能，WEB端口为8080，H3作为HTTP-Client，获取H1的html网页配置文件。· 通过OVS手工下发流表，H1可以ping通H3，H1、H3无法ping通H2。· 安装opendaylight、mininet、Ovs软件平台。
OpenDayLight安装
qq_41975735的博客
01-03 9344
目录 1.依赖包 1）安装java环境 2）设置java环境变量 2.安装ODL 1）下载ODL（Carbon） 2）修改参数 3）进入karaf，安装功能组件 4）进入opendaylight 5）建立mininet与odL之间的连接 OS：Ubuntu18.04 1.依赖包 1）提前安装java环境 apt-get installopenjdk-8-jdk 2）设...
AAAI 2021 Image captioning: Dual-Level Collaborative Transformer for Image Captioning
leeyns的博客
12-02 459
AAAI 2021 Image captioning: Dual-Level Collaborative Transformer for Image Captioning. 论文解读
CVPR2021-RSTNet-Captioning with Adaptive Attention on Visual and Non-Visual Words
leeyns的博客
12-06 526
CVPR2021-RSTNet-Captioning with Adaptive Attention on Visual and Non-Visual Words
Extjs4.2 Grid Filter Feature 表格过滤特性
王定桥的专栏
08-13 7298
Extjs4.2  Grid Filter  Feature 表格过滤特性 写在前面              从官方sdk中
def get_target(self, l, targets, anchors, in_h, in_w): #-----------------------------------------------------# # 计算一共有多少张图片 #-----------------------------------------------------# bs = len(targets) #-----------------------------------------------------# # 用于选取哪些先验框不包含物体 # bs, 3, 20, 20 #-----------------------------------------------------# noobj_mask = torch.ones(bs, len(self.anchors_mask[l]), in_h, in_w, requires_grad = False) #-----------------------------------------------------# # 帮助找到每一个先验框最对应的真实框 #-----------------------------------------------------# box_best_ratio = torch.zeros(bs, len(self.anchors_mask[l]), in_h, in_w, requires_grad = False) #-----------------------------------------------------# # batch_size, 3, 20, 20, 5 + num_classes #-----------------------------------------------------# y_true = torch.zeros(bs, len(self.anchors_mask[l]), in_h, in_w, self.bbox_attrs, requires_grad = False) for b in range(bs): if len(targets[b])==0: continue batch_target = torch.zeros_like(targets[b]) #-------------------------------------------------------# # 计算出正样本在特征层上的中心点 # 获得真实框相对于特征层的大小 #-------------------------------------------------------# batch_target[:, [0,2]] = targets[b][:, [0,2]] * in_w batch_target[:, [1,3]] = targets[b][:, [1,3]] * in_h batch_target[:, 4] = targets[b][:, 4] batch_target = batch_target.cpu() #-----------------------------------------------------------------------------# # batch_target : num_true_box, 5 # batch_target[:, 2:4] : num_true_box, 2 # torch.unsqueeze(batch_target[:, 2:4], 1) : num_true_box, 1, 2 # anchors : 9, 2 # torch.unsqueeze(torch.FloatTensor(anchors), 0) : 1, 9, 2 # ratios_of_gt_anchors : num_true_box, 9, 2 # ratios_of_anchors_gt : num_true_box, 9, 2 # # ratios : num_true_box, 9, 4 # max_ratios : num_true_box, 9 # max_ratios每一个真实框和每一个先验框的最大宽高比！ #------------------------------------------------------------------------------# ratios_of_gt_anchors = torch.unsqueeze(batch_target[:, 2:4], 1) / torch.unsqueeze(torch.FloatTensor(anchors), 0) ratios_of_anchors_gt = torch.unsqueeze(torch.FloatTensor(anchors), 0) / torch.unsqueeze(batch_target[:, 2:4], 1) ratios = torch.cat([ratios_of_gt_anchors, ratios_of_anchors_gt], dim = -1) max_ratios, _ = torch.max(ratios, dim = -1) for t, ratio in enumerate(max_ratios): #-------------------------------------------------------# # ratio : 9 #-------------------------------------------------------# over_threshold = ratio < self.threshold over_threshold[torch.argmin(ratio)] = True for k, mask in enumerate(self.anchors_mask[l]): if not over_threshold[mask]: continue #----------------------------------------# # 获得真实框属于哪个网格点 # x 1.25 =&gt; 1 # y 3.75 =&gt; 3 #----------------------------------------# i = torch.floor(batch_target[t, 0]).long() j = torch.floor(batch_target[t, 1]).long() offsets = self.get_near_points(batch_target[t, 0], batch_target[t, 1], i, j) for offset in offsets: local_i = i + offset[0] local_j = j + offset[1] if local_i &gt;= in_w or local_i < 0 or local_j &gt;= in_h or local_j < 0: continue if box_best_ratio[b, k, local_j, local_i] != 0: if box_best_ratio[b, k, local_j, local_i] &gt; ratio[mask]: y_true[b, k, local_j, local_i, :] = 0 else: continue #----------------------------------------# # 取出真实框的种类 #----------------------------------------# c = batch_target[t, 4].long() #----------------------------------------# # noobj_mask代表无目标的特征点 #----------------------------------------# noobj_mask[b, k, local_j, local_i] = 0 #----------------------------------------# # tx、ty代表中心调整参数的真实值 #----------------------------------------# y_true[b, k, local_j, local_i, 0] = batch_target[t, 0] y_true[b, k, local_j, local_i, 1] = batch_target[t, 1] y_true[b, k, local_j, local_i, 2] = batch_target[t, 2] y_true[b, k, local_j, local_i, 3] = batch_target[t, 3] y_true[b, k, local_j, local_i, 4] = 1 y_true[b, k, local_j, local_i, c + 5] = 1 #----------------------------------------# # 获得当前先验框最好的比例 #----------------------------------------# box_best_ratio[b, k, local_j, local_i] = ratio[mask] return y_true, noobj_mask代码解析
最新发布
07-01
map[1], feature_map[0],feature_map[1], feature_map[0])#网格中心坐标grid_xy= scaled_gt[:,0:2].floor()#宽高比匹配ratios =scaled_gt[:,2:4]/ anchors[i]matches= torch.max(ratios,1/ratios).max(dim=1)[0]存储...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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