- 博客(30)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Python+selenium学习
maximize_window()最大化浏览器和刷新当前页面refresh()from selenium import webdriverdriver = webdriver.Firefox()driver.get("https://www.baidu.com")driver.maximize_window()#最大化浏览器driver.refresh()print(u'当前title为:',driver.title)driver.quit()...
2021-10-29 21:29:35
160
原创 Django独有报错
You called this URL via POST, but the URL doesn’t end in a slash and you have APPEND_SLASH set. Django can’t redirect to the slash URL while maintaining POST data. Change your form to point to 127.0.0.1:8009/login/ (note the trailing slash), or set APPEND_
2021-09-14 15:14:39
170
原创 测试开发面试题总结
排序算法的稳定性：稳定性，如果元素A和B相等，A在排序之前在B的前面，排序后仍在B的前面堆排序、快速排序、希尔排序、直接选择排序是不稳定的排序算法，而冒泡排序、直接插入排序、折半插入排序、归并排序是稳定的排序算法。进程和线程的区别？1.进程是资源分配的最小单位，线程是CPU调度的最小单位2.每个进程有自己的PCB，有单独的代码和地址空间。而一个进程下的线程共享代码和地址空间。3.线程相比于进程，线程间切换的消耗更小。4.但是多进程程序更健壮，多线程程序只要有一个线程死掉，整个进程也死掉了，而一
2021-08-04 12:08:42
1275
原创 iOS自动化测试采过的坑
第一步越狱越狱步骤：1.使用usb数据线连接上ios手机2.打开电脑上的checkra1n3.按照提示完成相关按键操作4.等待连接成功如果可以打开手机上的cydia 代表越狱成功第二步iOS-tagent证书设置1.打开 monitor/iOS-Tagent/WebDriverAgent.xcodeproj, 在 Xcode 设置证书。2.菜单栏 product -> Scheme -> WebDriverAgentRunner3.菜单栏 product -> Dest
2021-08-04 11:58:59
280
原创 使用adb在Android手机上安装APP
使用Mac电脑进行apk包的安装，将apk包安装到手机前提是需要配置好adb环境配置好adb环境后执行以下步骤1.打开终端2.首先检查手机设备是否连接adb devices如果显示手机识别号 device #表示识别成功手机识别号 offline #脱机的的离线的，表示连接不成功连接不成功的解决方法(1).#adb kill-server 先结束adb服务#adb start-server 重新打开adb服务#adb devices 重新检查设备
2021-08-04 11:56:51
1641
原创 Android刷机流程
刷机流程1.数据线连接手机2.进入终端3.进入fastboot环境(1).用到命令adb reboot bootloader(2).开机键+音量减小键4.刷机用到命令 fastboot -w update 路径（镜像包的路径）遇到问题：userdata安装失败，解决办法：单独刷userdata单刷命令 fastboot flash img路径使用adb pull /sdcard/didi_sandbox PC端上的指定目录adb常用命令adb shell 进入到手机终端adb p
2021-08-04 11:54:39
532
原创 数据库面试题总结
1. 什么是存储过程存储过程可以说是一个记录集吧，它是由一些T-SQL语句组成的代码块，这些T-SQL语句代码像是一个方法一样实现一些功能(对单表或多表的增删改查)，然后再给这个代码块取一个名字，再用这个功能的时候调用他就行了2.存储的好处1.由于数据库执行动作时，是先编译后执行的，然而存储过程是一个编译过的代码，所以执行效率要比T-SQL语句高。2.一个存储过程在程序在网络中交互时可以替代大堆的T-SQL语句，所以也能较低网络的通信量，提高通信效率3.通过存储过程能过使没有权限的用户在控制之
2021-07-16 18:10:07
225
原创 动态查看日志文件的命令
动态查看日志文件的命令tail -f filenametail [ -f ] [ -c Number | -n Number | -m Number | -b Number | -k Number ] [ File ]参数解释：-f 该参数用于监视File文件增长。-c Number 从 Number 字节位置读取指定文件-n Number 从 Number 行位置读取指定文件。-m Number 从 Number 多字节字符位置读取指定文件，比方你的文件假设包括中文字，假设指定-c参数，可
2021-06-03 20:23:52
1084
原创 supervisor基础学习
1.什么是supervisorSupervisor是用Python开发的一套通用的进程管理程序，能将一个普通的命令行进程变为后台daemon，并监控进程状态，异常退出时能自动重启。它是通过fork/exec的方式把这些被管理的进程当作supervisor的子进程来启动，这样只要在supervisor的配置文件中，把要管理的进程的可执行文件的路径写进去即可。也实现当子进程挂掉的时候，父进程可以准确获取子进程挂掉的信息的，可以选择是否自己启动和报警。supervisor还提供了一个功能，可以为supervis
2021-06-02 21:26:58
195
原创 ssh基础学习
1.什么是sshSecure Shell(SSH) 是由 IETF(The Internet Engineering Task Force) 制定的建立在应用层基础上的安全网络协议。它是专为远程登录会话(甚至可以用Windows远程登录Linux服务器进行文件互传)和其他网络服务提供安全性的协议，可有效弥补网络中的漏洞。通过SSH，可以把所有传输的数据进行加密，也能够防止DNS欺骗和IP欺骗。还有一个额外的好处就是传输的数据是经过压缩的，所以可以加快传输的速度2.Ssh安全机制SSH之所以能够保证安全
2021-06-02 19:27:31
311
原创 Mysql底层原理简单总结
1.首先从hash表开始hash表检索速度很快，时间复杂度为O(1),但是不能进行范围查询，而数据库的调用往往需要用到范围查询2.为了解决范围查询，这里从二叉排序树开始二叉排序树解决了范围查询问题，但是存在极端情况，就是二叉排序树只有左子树，而且左子树呈现链状，这种情况下，查询效率就非常低了，并且数据库中的主键例如id等大部分情况下也是呈顺序排列3.为了解决极端情况，这里从红黑树和AVL(自平衡二叉树)开始红黑树是平衡二叉树的一种，但也存在极端情况，就是也呈现链状，但是这个链状比二叉排序树要好这
2021-04-10 20:58:08
238
原创 FaceForensics和FaceForensics++【参考文献30和31】
【30】FaceForensics学术界最大的合成视频数据库之一介绍了一个新的面部操作数据集，大约有50万张经过编辑的图像（来自1000多个视频）。这些操作是用最先进的面部编辑方法生成的。它超过了所有现有的视频操作数据集至少一个数量级。利用我们的新数据集，我们引入了经典图像取证任务的基准测试，包括分类和分割，考虑到在不同质量级别压缩的视频。此外，我们还引入了一种基准评估方法，用于创建具有已知基本真相的无法区分的伪造品.【31】FaceForensics++学习检测操纵的面部图像FaceForensic
2020-12-07 17:57:07
2198
2
原创 用于检测数字化和打印扫描变形人脸图像的可转换深层CNN特征【参考文献29】
用于检测数字化和打印扫描变形人脸图像的可转换深层CNN特征摘要利用可转换的特徵从一个预先训练的深卷积神经网路（D-CNN）来侦测数位及印刷扫描变形人脸影像。基于两个D-CNN（VGG19和AlexNet）的第一个完全连接层的特征级融合，这两个层是使用变形人脸图像数据库专门微调的。该方法在新建立的数据库上进行了广泛的评估，该数据库包含数字和打印扫描变形人脸图像，对应真实的变形数据，反映了真实场景预处理给定人脸图像，我们首先使用Viola-Jones算法进行人脸检测[17]。在下一步中，使用[16]中
2020-12-07 17:44:27
270
原创 像素递归神经网络简要概况【参考文献27】
像素递归神经网络摘要提出了一个深度神经网络，它可以沿着两个空间维度顺序预测图像中的像素。我们的方法对原始像素值的离散概率进行建模，并对图像中完整的依赖集进行编码。体系结构的新颖之处包括快速二维递归层和在深层递归网络中有效地使用剩余连接。我们在自然图像上获得的对数似然分数比以前的技术水平要好得多。模型逐像素生成图像 目标是给每个由×n个像素组成的图像分配一个概率（x）。我们可以将图像写成一维序列2，其中像素是从图像中逐行提取的。为了估计联合分布（x），我们将其写成像素上条件分布的乘积：pxx xn
2020-12-07 17:42:42
344
原创 学习了未知相机模型的取证源相似度【参考文献24】
**学习了未知相机模型的取证源相似度**摘要构建一个系统，比较两个图像斑块，以确定它们是否由同一相机模型捕获。首先训练一个基于CNN的特征提取器来输出编码图像patch的源摄像机模型信息的一般的、高级的特征。然后，学习了一种相似性度量方法，该方法将这些特征映射成一个分数，用以指示这两个图像块是由相同的还是不同的相机模型捕获的。方法：特征提取器-学习阶段 通过特征提取函数将输入图像映射到n维特征空间，编码高级摄像机模型信息。利用一个特征相似性度量将特征对映射到一个以0和1为界的空间，0表示原相
2020-12-07 17:38:51
197
原创 拷贝移动图像伪造检测技术综述【参考文献22】
拷贝移动图像伪造检测技术综述简要介绍复制移动图像检测的步骤伪造：预处理->特征提取->特征匹配->过滤预处理：改善图像数据和增强特征特征提取：对于基于块的算法，对每个块提取特征向量，在基于关键点的方法中，只对图像中的关键点计算特征向量（例如具有熵的区域等）特征匹配：特征提取后。通过搜索具有相似特征的块来识别复制-移动对。特征向量之间高度相似可以解释为重复区域。基于块的方法对相似特征进行排序，基于关键点的方法计算近似近邻有助于特征匹配。过滤：我们不能根据单一的相似标准来预测伪
2020-12-07 17:36:39
660
原创 读参考文献32总结
ImageNet Large Scale Visual Recognition Challenge这篇著名的论文总结了2010-2014年以来ImageNet比赛中关于图像分类和物体识别领域的研究，在谷歌学术上有2800+的引用量。（另一篇2009年的ImageNet: A Large-Scale Hierarchical Image Database有4400+引用量。因为比赛使得计算机在图像分类和物体识别方面正确率已经超过人类，所以2017年是ImageNet最后一届比赛）。整篇论文分7大部分
2020-12-07 17:32:04
258
原创 读参考文献40总结
Colorful Image Colorization简介这是一篇对黑白图片进行上色的论文，论文提出了一个新颖的思路用来处理颜色空间，对以后在深度学习中处理颜色变换的任务有指导和借鉴的意义。本文对论文中的方法做一个简要的介绍。方法传统的图像重建方法是对真值（ground truth）和模型预测的结果取L2范式来指导模型的学习，但作者认为在着色这个任务中， L2范式训练的模型是对所有可能的颜色求平均，导致预测的结果饱和度不够。作者另辟蹊径，把着色的回归任务变成了一个分类任务，并做了比较多的工作。2
2020-12-07 17:28:47
251
原创 读参考文献39论文总结
Dilated residual networks1.之前的卷积神经网络都是通过不断降低图像精度，直到图像被一个仅保留微弱空间信息的特征map表示（一般最后卷积层输出仅为7×7），最后通过计算类别概率来分类图像。这样情况下，尽管前面卷积网络做的很好，但是整个网络却不能获取一个十分精确的结果，例如一个很小的目标对解析图片信息十分重要，但是却被前面卷积网络因为过多降维和其体积很小而直接忽略掉了。2.图像分类的深度网络大多数还作为其他需要更多详细场景理解的任务的预训练模型，而很高的空间分辨率损失对这些任务而言
2020-12-07 17:27:17
126
原创 参考13、17、18总结
【13】重播攻击即对图像进行处理，然后重新成像，区分原始图像和编辑图像。本文描述了一个框架来分析重播检测对敌方攻击的恢复能力，描述了重复攻击和防御对检测重播内容的有效性的影响。描述了一种检测重播攻击的技术（修改后的图像重新成像），以及它对进一步对抗性攻击的恢复能力。CNN能够可靠地检测重播攻击，然而，这个CNN容易受到简单的反取证攻击，即将重播图像修改为原始图像，在重复的检测/攻击周期中，攻击者似乎最终能够成功地绕过检测，然而经过这些周期，改进的攻击重播图像的质量下降。【17】换脸新潮流：BIGO风
2020-12-04 17:08:12
123
原创 adam算法介绍和总结
【19】adam算法Adam 是一种可以替代传统随机梯度下降（SGD）过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam 最开始是由 OpenAI 的 Diederik Kingma 和多伦多大学的 Jimmy Ba 在提交到 2015 年 ICLR 论文（Adam: A Method for Stochastic Optimization）中提出的。「Adam」，其并不是首字母缩写，也不是人名。它的名称来源于适应性矩估计（adaptive moment estimation）。在介绍
2020-12-04 16:53:28
9447
原创 读Xception: Deep Learning with Depthwise Separable Convolutions论文总结
论文链接：https://arxiv.org/abs/1610.02357参考：https://zhuanlan.zhihu.com/p/127042277inception的主要思想：矩阵聚类成相对密集的子矩阵，能提高计算性能inception v1-v3的介绍参考上一篇博客：https://blog.csdn.net/Only_Big/article/details/110656131作者从Inception v3是假设出发，即解耦通道相关性和空间相关性，进行简化，推导出深度可分离卷积
2020-12-04 16:43:50
132
原创 inception网络模型
【12】inception网络模型参考：https://www.cnblogs.com/dengshunge/p/10808191.htmlInception v1在Inception v1中主要介绍如何在有限的计算资源内，进一步提升网络的性能。提升网络的性能的方法有很多，例如硬件的升级，更大的数据集等。但一般而言，提升网络性能最直接的方法是增加网络的深度和宽度。其中，网络的深度只的是网络的层数，宽度指的是每层的通道数这种方法会带来两个不足： a) 容易发生过拟合。当深度和宽度不断增加的时候，需
2020-12-04 16:27:00
650
原创 读参考8-11总结
【8】使用卷积神经网络进行对齐和不对齐的双 JPEG 检测由于JPEG编码标准的广泛推广，图像取证界多年来一直十分重视双JPEG（DJPEG） 压缩探测器的开发。检测图像是否被压缩两次的能力为图像真实性评估提供了最重要的信息。鉴于卷积神经网络（CNN） 最近在许多计算机视觉任务中获得的趋势，本文建议使用 CNN 进行对齐和不对齐的双 JPEG压缩检测。特别是，我们探索CNN直接从图像捕获DJPEG伪影的能力。结果表明，拟议的基于CNN的探测器即使在小尺寸图像（即64个×64）下也实现了良好的性能
2020-12-04 16:20:10
204
原创 Ubuntu下git的相关操作
Ubuntu下git的相关操作1.安装git：sudo apt install git2.配置git:git config --global user.name “Your name”git config --global user.email “your email@domain.com”3.创建一个本地仓库(版本库)在合适的地方创建一个空目录，cd到该目录，然后使用git init 命令把这个目录变成Git可以管理的仓库(注意：千万不要手动修改.git目录里的文件)在仓库目录中创建一个文
2020-11-22 16:25:37
295
原创 eval.py代码注释
#代码注释```pythonimport globimport argparseimport torchimport torchvision.transforms as transformsimport numpy as npfrom PIL import Imagefrom networks.drn_seg import DRNSeg, DRNSubfrom utils.tools import *#本地方法from utils.visualize import *#本地方法fro
2020-11-19 12:10:08
236
原创 global_classifier部分注释
global_classifier部分注释import argparseimport osimport sysimport torchfrom PIL import Imageimport torchvision.transforms as transformsfrom networks.drn_seg import DRNSubfrom utils.tools import *from utils.visualize import *def load_classifier(mod
2020-11-19 12:06:24
154
原创 tools.py部分注释
tools.py注释import osimport cv2import torchimport numpy as npfrom PIL import Imagefrom dlib import cnn_face_detection_model_v1 as face_detect_modeldef center_crop(im, length): w, h = im.size left = w//2 - length//2 right = w//2 + length/
2020-11-19 12:00:24
229
原创 图像处理之读eval.py代码总结
1.glob模块 1).glob.glob(pathname)返回所有匹配的文件路径列表。它只有一个参数pathname，定义了文件路径匹配规则，这里可以是绝对路径，也可以是相对路径.2.argparse模块 参考：https://www.jianshu.com/p/ea52fdfaa4ad 1).argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数。 2).Ar...
2020-11-19 09:33:42
458
html+css+JavaScript实现表白代码
2020-11-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人