自己写了一个globalStorage类

最新推荐文章于 2025-03-27 15:58:50 发布
最新推荐文章于 2025-03-27 15:58:50 发布
阅读量1.4k 收藏
点赞数
分类专栏： 软件应用 Ajax与Js应用 文章标签： function domain 存储 浏览器 date html5
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/linyuanxing/article/details/4242714
版权
本文介绍了一种兼容IE和非IE浏览器的客户端存储解决方案，利用IE的userdata和HTML5的globalStorage特性，实现了跨浏览器的数据存储功能，并提供了具体的JavaScript实现代码。

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

非IE浏览器“userdata”的解决方案

globalStorage

这个也是html5中提出来，在浏览器关闭以后，使用globalStorage存储的信息仍能够保留下来，并且存储容量比IE的userdata大得多，一个域下面是5120k。和sessionStorage一样，域中任何一个页面存储的信息都能被所有的页面共享。

作用域

globalStorage['z.baidu.com'] 所有z.baidu.com下面的页面都可以使用这块空间
globalStorage['baidu.com'] 所有baidu.com下面的页面都可以使用这块空间
globalStorage['com']：所有com域名都可以 共享的使用这一块空间
globalStorage[''] ：所有页面都可以使用的空间

现在Firefox只支持当前域下的globalStorage存储， 如果使用公用域会导致一个这样一个类似的错误“Security error” code: “1000”。

过期时间

按照HTML5的描述，globalStorage只在安全问题或者当用户要求时才会过期，浏览器应该避免删除那些正在被脚本访问的数据，并且userdata应该是用户可写的。

因此我们的脚本要能够控制过期时间，可以在globalStorage的某个区域存储过期时间，在load的时候判断是否过期，可以在一定程度上解决过期时间的问题。

存储时，同时存储过期时间

以上是我从网上查询到的资料，为了兼容非IE浏览器“userdata”，我改进了之前我自己写的一个“userdata”（见 UserData使用总结） ，现在是兼容IE和支持globalStorage的浏览器了。

其中CMInfo类见 一些常用的JS功能函数（一） （2009-06-04更新）

需要说明的是因为还没用到实际项目中，因此还不知其兼容性和稳定性如何，如果网友发现了BUG，还望指出。谢谢

giou
jacke121的专栏
11-27 2444
这两个不错，需要测试一下： https://github.com/ultralytics/yolov3 https://github.com/Peterisfar/YOLOV3 这个还没完整： https://github.com/smrutipatro8698/YOLOtrain/tree/2ad8ee5cd33277c1cad4d62df184458d55b1715c keras l...
【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-06 3898
在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 7175
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 4万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
GIoU Loss（Generalized Intersection over Union Loss）损失函数解析
最新发布
浩瀚之水的专栏
03-27 950
​GIoU Loss 是IoU Loss的改进版本，旨在解决基础IoU Loss在预测框与真实框无重叠时梯度消失的问题。通过引入最小闭合区域，GIoU Loss能够有效优化非重叠框的定位，同时保持尺度不变性，广泛应用于目标检测的边框回归任务。
GIoU
tricoffee
12-18 258
def bbox_giou(self, boxes1, boxes2): boxes1 = tf.concat([boxes1[..., :2] - boxes1[..., 2:] * 0.5, boxes1[..., :2] + boxes1[..., 2:] * 0.5], axis=-1) b...
Giou简洁算法
weixin_47604030的博客
06-28 347
def Giou(rect_a, rect_b): ax0, ay0, ax1, ay1 = rect_a #a框坐标 bx0, by0, bx1, by1 = rect_b#b框坐标 #外框就是包含a与b的最小矩形 outx0 = min(ax0, bx0)#外框x0 outx1 = max(ax1, bx1)#外框x1 outy0 = min(ay0, by0)#外框y0 outy1 = m...
矩阵运算：求giou
qq_34183487的博客
08-17 355
矩阵运算：求giou import numpy as np a = np.array([[0, 0, 3, 3], [1, 1, 4, 3], [1, 1, 3, 3] ]) b = np.array([[1, 1, 4, 3], [0, 0, 3, 3], [3, 0, 4, 3] ]) 先求出最大面积， x中的最大值和最小值 y中的最大值和最小值 x_a_min = a[:,0].reshape((-1, 1)) print(‘x_a_min’, x_a_min) x_min = np.minimum
IoU、GIoU、DIoU、CIoU详解及python代码实现
m0_53114462的博客
05-30 3821
一、IoU、GIoU、DIoU、CIoU详解： （1）IoU IoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示： 由图可知IoU的值域为[0, 1]。 IoU的优点： 1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。 2、 IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。 IoU的缺点： 1、当预测框和真实框不相交时，IoU(A,B)=0时
【YOLO系列】IoU、GIoU、DIoU、CIoU详细解析
m0_55908255的博客
12-23 2111
IoU能够反映框与框之间的实际重叠质量，而不仅仅是数值上的距离差异（IoU的值在0~1之间，越靠近0说明重叠程度越低，越靠近1说明重叠程度更高，而MSE计算box损失时如果预测框与真实框差距很大的话，数值可能是无限的，范围是。：MSE主要关注框的位置和大小，不关心预测框与真实框的重叠程度，因此在预测框和真实框之间的重叠较少时，bbox定位损失项也可能很小，导致模型优化方向不准确。上图两个预测框与真实框的IoU都为0，但显然是预测框1的预测效果比预测框2更好的（因为预测框1与真实框。
GIoU Loss 损失函数浅析
WalkingSoul的博客
09-26 1万+
GIoU Loss 参考文献：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression GIoU是源自IoU的一种边框预测的损失计算方法，在目标检测等领域，需要对预测边框（pre BBox）与实际标注边框（ground truth BBox）进行对比，计算损失。在Yolo算法中，给定预测...
【目标检测】IoU、GIoU、DIoU、CIoU Loss详解及代码实现
Roaddd的博客
03-14 5360
● 实际目标检测回归任务中的Loss Smooth L1 Loss： L1、L2、Smooth L1作为目标检测回归Loss的缺点： 1）坐标分别计算：x、y、w、h分别回归，当成4个不同的对象处理。bbox的4个部分应该是作为一个整体讨论，但是被独立看待了。 2）不同的预测bbox具有相同的损失：把x、y、w、h独立看待，4个部分产生不同的loss会回归出不同的预测框，但是如果4个部分的总体loss相同，预测框该如何选取。       &nb
IoU、GIoU、DIoU、CIoU计算方法
Ray_awakepure的博客
11-28 4940
IoU IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。 可以说它可以反映预测检测框与真实检测框的检测效果。 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性) IoU的一种实现
论文笔记：GIoU
水不在深有江的博客
03-09 1万+
论文标题：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 收录于CVPR 2019 因为整体思想形式比较简单，因此笔记不做赘述。 整体来说本文提出了一个通用的trick，即用GIoU来替换bounding box回归损失函数，而GIoU可看作是对于IoU指标的一个改进。 在...
GIoU (Generalized Intersection over Union) 详解
豆芽菜
03-07 1416
在目标检测任务中，多是采用L1或L2回归损失，回归loss相同的情况下，IoU却可能大不相同。 IoU有尺度不变性的优点，但是将其作为损失函数，由于某些方面的问题，无法直接使用。
CVPR2019 GIoU
zhangyifei0115
03-28 1013
CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》 论文地址： https://arxiv.org/abs/1902.09630 说在前面 这篇论文有好几个创新点，主要就是想把IoU做为Loss。然后又基于IoU做为loss存在的不足，提出了GIoU。 摘...
GIOU 附图说明
蓝羽飞鸟的博客
01-11 860
GIOU解说
Generalized Intersection over Union(GIOU)论文核心思想解读笔记
qq_39027890的博客
03-01 9841
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression论文核心解读 （最近在忙于考研(20)，所以这里就放核心的思想，详细的其他，以后有时间再补充吧） 目录 Generalized Intersection over Union: A Metric and A Loss ...
GIoU是什么计算公式
03-18
### GIoU 的计算公式 GIoU (Generalized Intersection over Union) 是一种扩展的 IoU 损失函数，解决了传统 IoU 在边界框无重叠情况下的不足。其核心思想是在 IoU 基础上引入了一个额外项，用于衡量预测框和真实框之间的相对位置关系。 #### 定义与公式 设 \( B \) 和 \( B^{gt} \) 分别表示预测框和真实框，\( C \) 表示能够覆盖 \( B \) 和 \( B^{gt} \) 的最小闭合区域（即包围盒）。则： \[ \text{IoU}(B, B^{gt}) = \frac{\text{Area}(B \cap B^{gt})}{\text{Area}(B \cup B^{gt})} \] 而 GIoU 的定义为： \[ \text{GIoU}(B, B^{gt}) = \text{IoU}(B, B^{gt}) - \frac{\text{Area}(C \setminus (B \cup B^{gt}))}{\text{Area}(C)} \] 其中： - \( \text{Area}(B \cap B^{gt}) \) 表示预测框和真实框交集面积。 - \( \text{Area}(B \cup B^{gt}) \) 表示预测框和真实框并集面积。 - \( \text{Area}(C) \) 表示最小闭包矩形 \( C \) 的总面积。 - \( \text{Area}(C \setminus (B \cup B^{gt})) \) 表示最小闭包矩形减去预测框和真实框并集部分的剩余面积。 通过这一公式，即使预测框和真实框完全不相交，也可以得到一个有意义的损失值[^1]。 --- ### 通用 IoU 损失函数定义 传统的 IoU 损失函数可以被定义为： \[ L_{\text{IoU}}(B, B^{gt}) = 1 - \text{IoU}(B, B^{gt}) \] 然而，这种形式在预测框和真实框完全没有重叠的情况下会失效，因为此时 \( \text{IoU}(B, B^{gt}) = 0 \)，导致梯度消失问题。 相比之下，GIoU 提供了一种更鲁棒的方式处理这种情况，使得即使没有重叠也能提供有效的梯度方向[^2]。 --- ### Python 实现代码 以下是基于上述公式的 GIoU 计算实现： ```python import torch def giou_loss(pred_boxes, target_boxes): """ Calculate the Generalized IoU loss between predicted and target bounding boxes. Args: pred_boxes: Tensor of shape (N, 4), where N is the number of boxes, each box represented as [x1, y1, x2, y2]. target_boxes: Tensor of shape (N, 4). Returns: A scalar tensor representing the mean GIoU loss across all boxes. """ # Compute intersection coordinates xA = torch.max(pred_boxes[:, 0], target_boxes[:, 0]) yA = torch.max(pred_boxes[:, 1], target_boxes[:, 1]) xB = torch.min(pred_boxes[:, 2], target_boxes[:, 2]) yB = torch.min(pred_boxes[:, 3], target_boxes[:, 3]) # Compute area of intersection rectangle I inter_area = torch.clamp(xB - xA + 1, min=0.0) * torch.clamp(yB - yA + 1, min=0.0) # Compute areas of prediction and ground truth rectangles pred_area = (pred_boxes[:, 2] - pred_boxes[:, 0] + 1) * \ (pred_boxes[:, 3] - pred_boxes[:, 1] + 1) target_area = (target_boxes[:, 2] - target_boxes[:, 0] + 1) * \ (target_boxes[:, 3] - target_boxes[:, 1] + 1) # Compute union area U union_area = pred_area + target_area - inter_area # Compute IOU iou = inter_area / union_area # Compute smallest enclosing box C c_xA = torch.min(pred_boxes[:, 0], target_boxes[:, 0]) c_yA = torch.min(pred_boxes[:, 1], target_boxes[:, 1]) c_xB = torch.max(pred_boxes[:, 2], target_boxes[:, 2]) c_yB = torch.max(pred_boxes[:, 3], target_boxes[:, 3]) # Area of enclosing box C enclose_area = (c_xB - c_xA + 1) * (c_yB - c_yA + 1) # Compute GIoU giou = iou - ((enclose_area - union_area) / enclose_area) # Return GIoU loss return 1 - giou.mean() ``` 此代码实现了 GIoU 损失的计算过程，并支持批量输入的张量操作。 --- ### 总结 GIoU 改进了传统 IoU 损失函数存在的缺陷，特别是在预测框和真实框无重叠的情况下的表现更为优越。它不仅保留了 IoU 对于重叠区域的有效评估能力，还通过引入外部闭包区域进一步增强了模型的学习效果。 ---
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