ممکن است در کلاس پایه، تنظیمات پیش فرضی وجود داشته باشند. این فراخوانی، این تنظیمات را حفظ خواهد کرد. برای مثال در ASP.NET Identity، در کلاس پایه Context آن، یک سری تنظیمات پیش فرض نام جداول، ایندکس‌ها و روابط هست. اگر این فراخوانی صورت نگیرد، تمام آن‌ها را از دست خواهید داد.

این‌ها محصور کننده‌های OpenCV نیستند. کدهای خالص دات نتی هستند که صفر نوشته شده‌اند.

از این مثال ایده بگیرید: CommentsController.zip

- هیچ الزامی ندارد که ساختار serialization مورد نیاز jstree، با ساختار جدول بانک اطلاعاتی شما یکی باشد.
- جدولی را که طراحی کردید، صرفا با JsTreeOperationData تطابق دارد.
- این جدول اصول شیء‌گرایی مدل‌های خود ارجاع دهنده را لحاظ نکرده‌است و صرفا یک ساختار ساده‌ی دریافت اطلاعات از کاربر هست و نه بیشتر.
- اگر قرار است با این نوع جداول و کلاس‌های غیر شیءگرا کار کنید، نیاز است SQL خام بنویسید و از مفاهیم CTE استفاده کنید.

نتیجه گیری؟
مدل خودتان را با مدلی که در مقاله‌ی مدل‌های خود ارجاع دهنده عنوان شده، تطبیق دهید تا بتوانید از قابلیت‌های شیء‌گرای EF استفاده کنید.

این پروژه هست در اصل یا اینجا (که حذف شده)

آدرس نهایی ذخیره شده، همان پارامتر متد SaveAs است. نام هم از item.FileName استخراج می‌شود. این دو مقدار را دارید، مانند روش‌های متداول، ذخیره‌اش کنید.

اگر متن را مطالعه کنید، دوبار به مدل‌های «خود ارجاع دهنده» ارجاع شده‌است؛ یعنی همان بحث EF Code First.
اگر سورس انتهای بحث را دریافت کنید، متد PopulateTree بازگشتی آن، نحوه‌ی پر کردن ساختار تو در توی مورد نیاز را نمایش می‌دهد.
همین متد بازگشتی را در مورد مدل‌های خود ارجاع دهنده هم می‌توان بکار برد. نمونه‌ی این نوع متدها در مطلب «ساخت منوهای چند سطحی در ASP.NET MVC» نیز استفاده شده‌است. متد ShowTree آن هم یک متد بازگشتی است.
بنابراین الان مشخص است که مدل‌ها را باید به چه نحوی طراحی کرد. همچنین نحوه‌ی خواندن بازگشتی آن هم همانند متد ShowTree است. از این دو استفاده کنید برای پر کردن ساختار لیستی JsTreeNode ها.

مسلما یک برنامه‌ی OCR قوی باید دارای قسمتی به نام کالیبره کردن باشد و در اینجا می‌توان انواع و اقسام الگوریتم‌ها را برای رسیدن به بهترین نتیجه ترکیب کرد. برای مثال در مطلب فوق اگر پارامترهای متد threshold را تغییر دهید، دقت OCR متفاوت خواهد بود.
در پروژه‌ی نهایی بحث جاری، یک پوشه‌ی اعداد دست نویس انگلیسی هم هست که از آن می‌توان برای آموزش دادن به الگوریتم‌های machine learning مطرح شده استفاده کرد.

اگر کدهای قدیمی را نخواستید تغییر دهید، از یک وفق دهنده به نام jquery-migrate می‌توان استفاده کرد. کار آن اضافه کردن امضای متدهای حذف شده و سپس پیاده سازی آن‌ها بر اساس API جدید است.