个人关于Cemail.vol 文件的研究心得

Cemail.vol 中 有:

1pmailFolders 文件夹的表用于指定inbox ,outbox ,draft等各种邮件的文件夹!

2  pmailMsgs,它是邮件与文件夹的关联中介,也是附件与邮件的关联中介,是整个邮件系统的关联体,存储邮件与文件夹的关系!

3.pmailMsgClasses 该表存储了邮件的类型名( 如 IPM。Note指一般的邮件,      IPM。Shedule.Meeting 指通知类邮件等等!)

4.pmailNamedProps  作用未知!

5  pmailAttachs     存储附件与pmailMsgs的关系以及附件的一些信息!

6.fldr3100001d     收件箱,存储了邮件与pmailMsgs 的关系,与 pmailMsgClasses的关系,以及邮件的一些信息(时间,收件人,发件人,时间等)!

7.fldr31000020     Deleted Items

等等fldr。。表都是根据pmailFolders建立

添加一封邮件

注:每条记录的0x8001写的是记录自己的CEOID!

1.     在pmailFolders中找存放邮件的文件夹,获取文件夹记录的0x8001和0x8005两个字段的值  ,0x8001是文件夹记录的CEOID,0x8005是根目录的CEOID!

2.     在pmailMsgs中建立一条记录,把pmailFolders中获得的0x8001和0x8005两个字段的CEOID分别写到pmailMsgs中的0x0e09和 0x8011两个字段中

3.   同时在对应的文件夹中生成一条记录,比如,如果是inbox中收到的邮件,那就是在对应的fldr3100001d表中生成一条新的记录,记录包含了邮件的收件人,发件人,时间等内容!

4.        fldr3100001d中0x001a 字段需要根据邮件的类型在pmailMsgClasses 中寻找相应的类型(pmailMsgClasses的0x8300字段保存了类型),比如普通邮件的类型为IPM。Note,找到后把类型记录的CEOID值写入fldr3100001d的0x001a 字段中。这时的邮件记录就具有了邮件的所有属性!

5.      再把pmailMsgs的0x8006字段更新为fldr3100001d中该邮件记录CEOID值,把 fldr3100001d 的0x8005字段更新为 pmailMsgs中刚生成的记录CEOID值。相当与两个表中同时生成的两个记录相互存储彼此的CEOID值。这样邮件和文件夹就形成了关联。

      6.   根据pmailMsgs这条记录找到fldr3100001d中对应的记录如果发现fldr3100001d中的  0x0e1b字段为1的话,就在pmailAttachs中建立一条记录把pmailMsgs 中记录的CEOID值 写入0x8100 字段中,这条记录保存附件的信息,同时由于pmailMsgs中记录的写入使得附件和邮件关联了起来。

收到一封邮件的过程也就结束了,这时邮件和附件,文件夹形成了关联!!

 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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