- 博客(52)
- 收藏
- 关注
RSS订阅原创 阿里天池ICDAR 2023 DTT in Images 1: Text Manipulation Classification（10/1267）
天池篡改文本检测task1第10名解决方案
2023-04-02 17:20:27
913
3
原创 Wandb:make visualization better than Tensorboard
我最开始使用的tensorboard，还写了一些相关tensorboard的脚本用于实验。tensorboard这里就不详细介绍了，相信大家都比较了解。直到尝试了wandb。
2023-02-04 15:25:33
879
2
原创 2022 高教杯数学建模C题古代玻璃制品的成分分析与鉴别回顾及总结
我们三人都有主要的分工:队员A主要负责二，三问的求解以及代码的编写，使用Excel或者Python进行部分数据处理，通过Python计算第一问以及第四问的回归方程。
2022-11-27 00:17:30
2560
5
原创 码元、波特、速率、带宽-王道计算机网络
码元、波特、速率、带宽常在计算题中考察。码元（Symbol）定义码元是指用一个固定时长的信号波形（数字脉冲），代表离散数值（0,1）的基本波形。当有多个离散状态时，称为M进制码元（0,1状态就是2进制码元），改时长称为码元宽度。一个码元可以携带多个比特的信息。K进制码元的例子，对于4进制码元→码元的离散状态有4个：代表4种高低不同的信号波形00、01、10、11而不是0,1,2,3波特（Baud）用来指一秒可以传输多少个码元1baud=1码元/s1baud=1码元/s1baud=1码元/
2022-05-28 21:52:03
2705
原创 Jetson NX和Yolov5的那些事
Jetson NX 踩坑记录主要记录一下最近NX的使用以及部署NX的辛酸过程。.pt−>.onnx−>.engine−>Deepstream.pt->.onnx->.engine-> Deepstream.pt−>.onnx−>.engine−>Deepstream为什么用Jetson NX相比于Jetson nano，拥有更高的算力。并且实验室刚好有一块闲置的Jetson NX。并且，Jetson NX支持INT8的浮点计算，Jetson
2022-04-23 17:27:55
3833
2
原创 超强实时跟踪系统PP-Tracking学习记录
PP-Tracting学习记录超强实时跟踪系统PP-Tracking：飞桨AI Studio - 人工智能学习实训社区 (baidu.com)目标检测多目标跟踪仅检测当前帧物体的id信息可以构建帧间的关系无法识别同一物体并去重id信息可以识别同一物体无法得到长轨迹或轨迹易断裂连续长轨迹，便于后续高阶应用技术简介Detection Based Tracking：SDE，JDESDE采用目标检测与ReID解耦的方式进行JDE采用目标检测与ReID耦
2022-04-23 11:01:35
1184
原创 比赛回忆录
第十三届全国服务创新创业大赛应用类赛题。关于做队长的经验，团队管理，以及后期精通word,ppt,熟悉visio,剪映,了解AE的那些事预期准备队长/负责人责任心不能摆好吧，你要是开摆，几乎直接寄。赛题要把要求搞清楚！队员的选择先把赛题需求了解清楚，搞清楚每个功能需要的对应方向的人选。位置就那么几个，每个位置都很重要，并且位置人数还考虑到得奖的加分权重情况，千万不要浪费位置以及选错人选。如果赛题的某个功能要数据库才能实现，但是，你只找了前端的同学，然后到了比赛的后期才发现要数据库，人
2022-04-22 14:08:47
1268
原创 python慢的原因
????python慢的原因前言相比C/C++/JAVA, Python确实慢，在一些特殊场景下，Python比C++慢100~200倍由于速度慢的原因，很多公司的基础架构代码依然用C/C++开发比如各大公司阿里/腾讯/快手的推荐引擎\搜索引擎、存储引擎等底层对性能要求高的模块。原因是动态类型语言，变解释变运行：C与C++运行的时候要先进行编译，编译成为可以直接生成运行效率高的机械码，可以看到每次运行都生成了.exepython执行的时候是源码，需要一个源码到机械码的过程。变量：
2022-02-21 22:53:17
3954
1
原创 CTF实践-实验四
CTF实践CTFg)HTTP web服务、目录枚举、提权、图像信息提取、密码破解等相关工具的使用。通过对目标靶机的渗透过程，了解CTF竞赛模式，理解CTF涵盖的知识范围，如MISC、PPC、WEB等，通过实践，加强团队协作能力，掌握初步CTF实战能力及信息收集能力。熟悉网络扫描、探测HTTP web服务、目录枚举、提权、图像信息提取、密码破解等相关工具的使用。系统环境：Kali Linux 2、WebDeveloper靶机来源：https://www.vulnhub.com实验工具：不限实验过程
2022-01-08 21:53:49
3571
原创 网络嗅探与身份认证-实验二
网络嗅探与身份认证实验目的1、通过使用Wireshark软件掌握Sniffer（嗅探器）工具的使用方法，实现捕捉HTTP等协议的数据包，以理解TCP/IP协议中多种协议的数据结构、通过实验了解HTTP等协议明文传输的特性。2、研究交换环境下的网络嗅探实现及防范方法，研究并利用ARP协议的安全漏洞，通过Arpspoof实现ARP欺骗以捕获内网其他用户数据。3、能利用BrupSuite实现网站登录暴力破解获得登录密码。4、能实现ZIP密码破解，理解安全密码的概念和设置。系统环境：Kali Linux
2022-01-08 21:52:18
6089
3
原创 网络扫描与网络侦察-实验一
网络扫描与网络侦察实验目的理解网络扫描、网络侦察的作用；通过搭建网络渗透测试平台，了解并熟悉常用搜索引擎、扫描工具的应用，通过信息收集为下一步渗透工作打下基础。系统环境：Kali Linux 2、Windows网络环境：交换网络结构实验工具： Metasploitable2（需自行下载虚拟机镜像）；Nmap（Kali）；WinHex、数据恢复软件等。实验内容、原理实验过程1、用搜索引擎Google或百度搜索麻省理工学院网站中文件名包含“network security”的pdf文档，截图搜索
2022-01-08 21:51:47
1070
原创 Python命名规范
Python命名规范来自一下两篇博文的个人阅读整合笔记Python 编码规范(Google) | 菜鸟教程 (runoob.com)Python代码规范和命名规范 - DuKe渡客 - 博客园 (cnblogs.com)格式化快捷键PyCharm:ctrl+alt+LVs Code: alt+shift+F行长度每行不超过80个字符(方便查看)，对于超过长度的代码，可以直接通过添加’\‘进行换行XiaoMing=Student(Money=10)XiaoMing=Stu
2021-12-18 21:55:13
293
原创 MQTT基础知识及python搭建使用
UDP延迟低，传输快，传输会有一定的损失。采用广播的形式，一般在局域网中使用。TCPlatency大概是UDP的两倍，传输信息损失低，端到端。MQTT通信概述MQTT(Message Queuing Telemetyr Transport消息队列遥测传输)基于发布/订阅(Publish/Subscribe)模式的轻量级通讯协议，该协议构建于TCP/IP协议之上，属于应用层协议。是一种开放式OASIS和ISO标准的轻量级发布订阅网络协议，可在设备之间传输消息，是当下使用广泛的物联网通信协议之一。
2021-12-17 20:05:41
1287
原创 机器学习模型调参笔记
模型调参9.1 模型调参【斯坦福21秋季：实用机器学习中文版】_哔哩哔哩_bilibiliStart with a good baseline,e.g.default settings in high-quality toolkits,values reported in papers.参考其他论文中的一些超参数turn a value,retrain the model to see the changes如果一次调整太多值，则无法确定是什么值在做贡献Repeat mult
2021-12-16 18:20:30
895
原创 Log4j高危漏洞原理及复现
Log4j高危漏洞原理及复现漏洞检测||复现环境查看JDK版本，发现版本小于1.8u121图3-7 查看JDK版本查看log4j2版本，发现版本在2.x <= 2.14.1内图3-8 查看log4j2版本查看代码，发现存在log4j2相关的lookup语句[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-w9LtKVys-1639577266999)(C:\Users\BLACKF~1\AppData\Local\Temp\ksohtml\wps3AFF.
2021-12-15 22:08:32
16218
2
原创 Dedecms修改前台登陆密码
Dedecms修改前台登陆密码漏洞复现个人博客：https://fly-pluche.github.io/posts/Dedecms/需求提醒：只能说配的东西很多，路上很多坑，不要在一个博客上面吊死，多看几个。搭建dedecms搭建参考：(99条消息) 1、渗透测试环境准备之phpstudy与dedecms搭建_songling515010475的专栏-CSDN博客_phpstudy搭建渗透测试环境配置burp suite不同的浏览器配置的方式不同，具体可以参考BurpSuite
2021-12-15 20:38:20
1693
原创 Easy File Sharing Web Server 漏洞的简单利用
Easy File Sharing Web Server 漏洞的简单利用个人博客：https://fly-pluche.github.io/posts/Easy%20File%20Sharing%20Web%20Server/背景EFS Easy File Sharing (EFS) Web Server是荷兰EFS Software公司的一套集论坛网站，文件上传、下载、共享和图片共享等功能的文件共享软件。EFS EFS Web Server 7.2版本中存在基于栈的缓冲区溢出漏洞。远程攻击者
2021-12-15 20:37:23
1137
原创 信安数学基础：求原根指数高次同余
原根与指标指数与原根ae≡1(mod m)a^e≡1(mod\ m)ae≡1(mod m)对于上面这个式子成立的最小整数e对模m的指数，记做ordm(a)ord_{m}(a)ordm(a)。如果a对模m的指数是φ（m）φ（m）φ（m）,则a叫做模m的原根（原根不唯一）。作用：原根的求解只是求解高次同余方程时计算指标，判断是否有解。定理5.2.1设p是奇素数，则模p的原根存在，且有φ（p−1）φ（p-1）φ（p−1）个原根。定理5.2.2设p为奇素数，p-1的所有
2021-12-15 20:29:47
3206
原创 XML读取
python XML文件读取刚好接触了XML文件的读取，了解了一个过程，先进行记录：XML 文件解析 - 知乎 (zhihu.com)python 使用ElementTree解析xml - wanlifeipeng - 博客园 (cnblogs.com)XML就是采用树状的方式进行存储数据，就是将整个文件看成一棵树进行存放数据。先上XML图：基础操作import xml.etree.ElementTree as ET# 加载xml文件tree = ET.parse('10.xml')
2021-12-15 20:25:26
547
原创 VMware桥接无网络
关于虚拟机设置桥接后，没有网络的踩坑那些事我按这个回答，但是解决不了问题。最后借鉴这个回答，在朋友的帮助下解决：https://blog.csdn.net/weixin_42478365/article/details/120960299?utm_term=linux%E5%91%BD%E4%BB%A4%E8%AE%BE%E7%BD%AE%E5%8A%A8%E6%80%81ip&utm_medium=distribute.pc_aggpage_search_result.none-task-bl
2021-11-15 17:45:09
587
原创 VMware 虚拟机|| Kali 2021.3 安装
虚拟机VMware || 安装Kali Linux一、下载系统镜像文件1.首先下载系统镜像，进入kali官网，如下图所示。法一（推荐）：下载完成后，我们按官方文档的教程（傻瓜式安装，问题不大）来：https://www.kali.org/docs/virtualization/install-vmware-guest-vm/或者点这里image-20211004221716564法二：由于没有用法一，所以你得自己配，并且安装系统开始下载安装VMware虚拟机下载：https
2021-10-05 11:45:36
2131
2
原创 2021 || You Cannot Easily Catch Me: A Low-Detectable Adversarial Patch for Object Detectors
You Cannot Easily Catch Me: A Low-Detectable Adversarial Patch for Object Detectorsabstract大多数patch可以被简单的贴片检测器分类网络击败。对此，我们提出了一种低检测的对抗补丁，它用小的和纹理一致的对抗补丁攻击对象检测器，使这些对手不太可能被识别。具体地说，我们使用几个几何原语来建模补丁的形状和位置。为了提高我们的攻击性能，我们还根据损失函数为边界框分配了不同的权重。我们在公共检测数据集COCO和驱动视频数
2021-10-04 14:57:17
422
原创 C语言舞伴问题 PTA
舞伴问题 PTA描述假设男士和女士的记录存放在一个数组中，设计算法实现舞伴配对，要求输出配对的舞伴，并输出没有配对的队头元素的姓名。样例输入样例李敏浩 M李钟硕 M高欣雅 F吴彦祖 M王思聪 M张甜源 F张智霖 M许丹丹 F马小云 F输出样例高欣雅 李敏浩张甜源 李钟硕许丹丹 吴彦祖马小云 王思聪张智霖函数定义接口：void DancePartner(DataType dancer[], int num) ;其中 dancer[]是存放男士和女士信息的数组，n
2021-10-01 15:28:21
2270
3
原创 文档格式及相关注意事项
文档格式在写文档之前，先把所有的格式制定下来，通过宏定义的方式制定不同标题的不同格式：位于开始的标题除了一级标题采用一、二、三、的形式，其他的标题全部采用1.1.1的形式，例如：二、执行思路1.1 执行过程1.1.1总体架构所有的标题都要采用左对齐加粗的方式。ps对于上面采取的这种格式只有在分点概述的时候才要用上（1）（2）序号，而采用这些序号的不叫标题，叫列表。只有摘要，关键字还有封面需要居中加粗除了标题以外的内容不需要加粗，除非你在一些指标上需要特别突出。题注要
2021-09-06 09:45:24
479
原创 Deepsort中匈牙利算法和卡尔曼滤波器的作用
DEEPSORT关于deepsort源码以及原理的具体讲解，在知乎，CSDN上有很多优秀的回答，在这里主要是我在看完他们的理解之后，将他们的高见串联并加上自己的理解（对Deepsort中使用匈牙利算法以及卡尔曼滤波这两个模块的使用）有些内容改自大佬们的解释，以方便对我自己的理解进行论证。下面开始进入正题。作用视频中不同时刻的同一个人，位置发生了变化，那么是如何关联上的呢？答案就是匈牙利算法和卡尔曼滤波。 匈牙利算法可以告诉我们当前帧的某个目标，是否与前一帧的某个目标相同。
2021-08-26 16:57:05
2807
原创 2021 MIT || 麻省理工机器学习导论（三）Convolutional Neural Networks（CNN卷积神经网络）
# 2021 MIT || 麻省理工机器学习导论（三）Convolutional Neural Networks> > [YOUTube：MIT 6.S191: Introduction to Deep Learning（要梯子，可以去B站上找找，就是没有字幕）](https://www.youtube.com/watch?v=AjtX1N_VT9E&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI&index=3)> >>
2021-08-21 11:13:59
775
原创 机器学习常用小代码块
这个是我常用的代码，保存下来，以供以后使用方便。有些代码可能是直接从其他地方copy过来的，但是在文中不进行标注引用。特此声明。数据NUMPY与TENSOR的转化tensor -> numpynp.array(data.cpu())或np.array(data.cpu().detch())numpy-> tensortorch.from_numpy(data)tensor用sizenumpy用shape数据类型转化得到数据类型data.dt..
2021-08-12 22:31:54
672
原创 2021 MIT || 麻省理工机器学习导论（二）RNN LSTMs循环神经网络
2021 MIT || 麻省理工机器学习导论（二）YOUTube：MIT 6.S191: Introduction to Deep Learning（要梯子，可以去B张上找找，好像也有）这些是我在学习一点机器学习后，回过头来重新学习相关的基础，内容主要包含了上课的笔记，以及一些见解。关于各个模块更详细的内容请另寻它处，这篇笔记主要是对机器学习框架的构建。上一节课，我们介绍了感知机，以及一些神经网络的架构。这节课，我们开始一步一步的介绍如何利网络来处理序列数据。序列的意义（The signi
2021-08-12 15:25:11
972
原创 带宽，传输速率，吞吐量三者之间的关系与区别
计算机网络共同点相同的点是三者的单位是一样的，b/s,kb/s,Mb/s。区别带宽是理想状况下数据传送速率——假设一个人理想状态下能每秒吃10个鸡蛋吞吐量是某一个时间点通过某个网络的传输速度——在鸡蛋只有5个的情况，实际上每秒只吃5个鸡蛋速率在我的理解上更整体——相当于汽车从A到B的平均速度 带宽（理想状况下数据传送速率） 一个人数学有考140分的能力 吞吐量是某一个时间点通过某个网络的传输速度 但是在一次月考中由于试卷满分不是150而是100，所以只考了94
2021-08-07 19:42:09
10024
原创 2021 MIT || 麻省理工机器学习导论 (一) 神经网络基础架构
2021 MIT || 牛津大学机器学习导论（一）YOUTube：MIT 6.S191: Introduction to Deep Learning（要梯子，可以去B张上找找，好像也有）这些是我在学习一点机器学习后，回过头来重新学习相关的基础，内容主要包含了上课的笔记，以及一些见解。关于各个模块更详细的内容请另寻它处，这篇笔记主要是对机器学习框架的构建。The Perceptron:Forward Propagation单层感知机先以一个神经元为例子（单个神经元为单层感知机，多个神经元为多
2021-08-07 19:14:17
620
原创 计网的概念、组成、功能、分类--王道计算机网络
计算机网络王道计算机：https://www.bilibili.com/video/BV19E411D78Q?from=search&seid=1257420731070945435定义计算机网络是一个将分散的、具有独立功能的计算机系统，通过通信设备与线路连接起来，有功能完善的软件实现资源共享和信息传递的系统。计算机系统：Win，macOS通信设备：路由线路：双绞线，电缆，电波，无线微波等概括计算机网络是互联的、自治的计算机集合。互联：互联互通，所以的计算机可以相互联通，自
2021-08-03 15:32:55
1064
原创 注意力的理解心得
注意力机制注意力，很明显就是一个与人的视觉及神经有关的东西。我们看电脑的时候，总是全身心的投入其中，即是妹妹从旁边走过，你也不会注意，因为电脑屏幕里是更好看的jk妹妹。而注意力机制，就是模仿我们的大脑对图片的重点进行加权处理。注意力分为空间注意力与通道注意力空间注意力是获得H，W维度上的权值（输出是B×1×W×H），然后与feature map相乘。通道注意力则是获得C 维度上的权值（输出为B×C×1×1），再与feature map 相乘。常见的就是SE注意力。一个网络中通常会同时使用空间
2021-07-31 14:45:47
13566
44
原创 可变3D卷积|| Deformable 3D Convolution for Video Super-Resolution
DEFORMABLE 3D CONVOLUTION FOR VIDEO SUPER-RESOLUTION~前言~3D卷积可以比2D卷积更关注时空特征。且对于3D Net来说，在所有层使用3×3×3的小卷积核效果更好。以前的方法多是在空间域上提取特征，在时域上进行动作补偿。因此视频序列中的时空信息无法被共同利用，超分辨视频序列的相干性被削弱。由于视频帧在时间维度上提供了额外的信息，因此充分利用视频帧的时空依赖性来提高视频SR的性能是非常重要的。由于三维卷积（C3D）可以同时建模外观与运
2021-07-30 21:05:25
3298
8
原创 Transformer-XL详解
Vanilla Transformer是Transformer和Transformer-XL中间过度的一个算法提出原因为解决self.attention的n方复杂度，以及超长文本获取信息冗余问题，限制输入文本的长度，一般的Transformer在处理超长文本时，训练时segment分开，一个一个训练，预测时，segment步长为1进行移动，效率太低，故改进出了Transformer-XL为啥叫Transformer-XLXL—>尺码中的XL，大，这个Transformer机...
2021-06-13 17:31:14
1634
原创 2019|| 详细解读 点渲染PointRendImage Segmentation as Rendering
§摘要我们提出了一种高效、高质量的目标和场景图像分割新方法。通过类比经典的计算机图形学方法高效渲染像素标记任务中面临的过采样和欠采样挑战，我们发展了一个独特的视角，将图像分割作为一个渲染问题。从这个优势出发，我们提出了PointRend(基于点的渲染)神经网络模块:该模块基于迭代细分算法，在自适应选择的位置执行基于点的分割预测。PointRend可以通过在现有的最先进的模型之上构建，灵活地应用于实例分割和语义分割任务。虽然很多具体的实现都是可能的，但是我们展示了一个简单的设计已经获得了很好的结果。定性地说
2021-05-17 12:57:23
1331
1
原创 CVPR2021 || 深度敏感注意力Deep RGB-D Saliency Detection with Depth-Sensitive Attention
Paper：https://arxiv.org/abs/2103.11832Code：未开源动机在最近的文献中，RGB-D SOD方法通常将深度通道作为辅助输入通道，直接送入卷积神经网络(convolutional neural network, CNN)进行特征提取[7,21,31,43,59]。因此，它们不能很好地利用深度先验知识来捕获显著物体的相应几何布局。由于突出的目标往往分布在几个特定的深度区间内，因此可以通过有规律地滑动深度区间窗口来粗略地检测到。受此启发，我们认为可以提取RGB特征w
2021-05-04 14:35:26
2017
原创 数据增强方法小汇总
数据增强的作用/为啥要进行数据增强避免过拟合。当数据集具有某种明显的特征，例如数据集中图片基本在同一个场景中拍 摄，使用 Cutout 方法和风格迁移变化等相关方法可避免模型学到跟目标无关的信息。提升模型鲁棒性，降低模型对图像的敏感度。当训练数据都属于比较理想的状态，碰到 一些特殊情况，如遮挡，亮度，模糊等情况容易识别错误，对训练数据加上噪声，掩码等方 法可提升模型鲁棒性。增加训练数据，提高模型泛化能力。避免样本不均衡。在工业缺陷检测方面，医疗疾病识别方面，容易出现正负样本极度不 平衡的情况，通过
2021-04-22 13:36:51
5226
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人