前端跨域简单理解

满足跨域的条件

1.域名不同,例如:

  • a.com与b.com
  • www.a.com与a.com(同一域名,不同二级域名)
  • chs.a.com与en.a.com(主域名相同,子域名不同)
  • a.com与70.32.92.74(对应ip地址)

2.协议不同,例如:http协议与https协议

3.端口不同,例如:a.com:80与a.com:8080

跨域的解决方法

1.document.domain + iframe(只有在主域相同的时候才能使用该方法)

2.location.hash + iframe

3.window.name + iframe

4.动态创建script

5.postMessage(HTML5中的XMLHttpRequest Level 2中的API)

6.JSONP

7.WebSocket

跨域的问题

1.为什么要跨域,跨域的原因是数据哪里传输受阻?
过程:客户端A首先向服务器发送请求,请求客户端B的跨域数据,服务器接受请求,处理请求,将跨域的数据返回给客户端A。但是在A浏览器解析数据时,由于A不认客户端B的数据,于是浏览器拒绝解析,故产生跨域问题。

2.JSONP解决跨域有哪些问题?
由于引用外部的资源文件没有跨域问题,比如引入外部JS或者引入外部IMG等,JSONP解决跨域的方式相当于是引入一个外部资源文件。
Jsonp是Json with Padding的缩写,就是“填充式Json”的意思。也就是说,是客户端发送一个跨域请求出去,服务端收到请求之后,将要返回的json格式的数据,填充在两端协商好的一个callback函数中,拼接成字符串返回回去。也就是说,返回的是一个匿名函数的执行,来调用callback函数。
JSONP只能采用GET方式请求数据,故客户端请求的数据是可以被看到的,所以说安全性上存在一些问题。故在使用JSONP解决跨域问题时,一般要求返回的数据是可以公开的数据,或者是一些不同用户都可以共用的接口。
总结:1)安全问题(请求代码中可能存在安全隐患)
2)要确定jsonp请求是否失败并不容易
3)只能采用GET方法

### 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