Linux内核设计的艺术boot/bootsect.c的代码----第二篇

第一章:从开机加电到执行main函数之前的过程

1.2.2 加载第二部分代码----setup          

      3.将Setup程序加载到内存中

 

        执行完之前的复制过程就要执行第二步操作:将Setup程序加载到内存中,加载setup这个程序,要借助BIOS提供的int 0x13终端向量所指向的中断服务程序(即磁盘服务程序)来完成。int 0x13的中断服务程序可以根据设计者的意图,把指定扇区的代码加载到内存的指定位置。

        针对服务程序的特性,使用int 0x13H中断时,就要事先将指定的扇区和加载的内存位置等信息传递给服务程序。

 

补充:直接磁盘服务的功能描述,部分如下(其他具体参数课自行查找):

;功能描述:读扇区

;入口参数:AH=02H

;AL=扇区数

;CH=柱面

;CL=扇区

;DH=磁头

;DL=驱动器,00H-7F:软盘;80-0FFH:硬盘

;ES:BX=缓冲区的地址

;出口参数:CF=0——操作成功,AH=00H,AL=传输的扇区数,否则,AH=状态代码。

代码如下:

load_setup:

mov ds,#0x0000                     ;AH=02H,是功能02H,为读扇区,设置驱动器和磁头,DL=0驱动器为0,DH=0磁头为 0

mov cx,#0x0002                ;同上,CH=0,柱面为0,CL为2,扇区为2,cl=开始扇区(位0—5),磁道号高二位(位6 -7)

mov bx,#0x0200                     ;设置读的地址为es:dx = 0x90200,es为0x9000,bx为0200

mov ax,#0x0200+SETUPLEN     ;AL为扇区数为4,即调入4个扇区

                                                     ;到此参数传递完成

int 0x13                                        ;调用中断

jnc ok_load_setup                       ;读入成功则跳转,否则下一步

mov dx,#0x0000                          ;未成功,复位磁盘

mov ax,#0x0000                          ;因为未成功,则AL值被置为一个特定值,所以要进行重置

int 0x13                                          ;参数传递完毕后,执行0x13中断,通过中断向量表找到这个中断服务程序,将软盘从

                                            ;第二扇区开始的四个扇区,即setup.s对应的程序加载至内存的SETUPSEG(0x90200)处。

j load_setup                         ;重新循环,再次读取          

ok_load_setup:

          在参数传递完毕后,执行int 0x13H指令,产生0x13中断,通过中断向量表找到这个中断服务程序,将软盘从第二扇区开始的4个扇区,即setup.s对应的程序加载至内存的SETUPSEG(0x90200处),现在操作系统已经从软盘中加载了5个扇区的代码,等bootsect执行完毕后,setup开始工作。

 

 

 

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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