备忘(自用)

r 连查带改 reg
d只看不改 rom
e用机器码
a用ase
u 用ase翻译某段
t执行一句
g断点类似
p跳过
所有segment只吃mov不吃add
mov ax,ds 正确
mov ds,立即数  错误
add ds,ax 错误
ds:[2] 正确,[2]错误,[bx]正确
cs:[2]  和 es:[2] 正确
cs:[bx] 和 es:[bx]正确
inc ds:[bx]错误(inc 不能接任何地址,但可以 inc byte ptr [bx])
不能 push+立即数
push必须接16位,不能al

不能 jmp+立即数

and 寄存器,立即数/寄存器
不能mov 两个段寄存器
mov ds,al 正确

mov sp+立即数 中,立即数的值得大于16,即10H(原因不明)
偏移地址中 ,可以si/di+bx/bp+立即数,但si与di只能二选一,bx与bp也只能二选一
只写[bp]相当于 ss:[bp] 所以bp相当于sp

mov word//byte   ptr ds:[0],1   ptr关键字指明内存单元长度  显性指明
dd === define double word
dup 重复定义的伪指令操作
db 3 dup(0)  定义了三个byte 全是0000h
db 3 dup(0,1,2)  --->012012012

dec <-> inc



div使用:
div 除数(寄存器/字段)
若 除数为8位,则被除数是16位,为ax,结果4位商/余数, al为商,ah为余数
若 除数为16位,则被除数是32位,dx为高16位,ax为低16位,结果8位商/余数,ax商,dx为余数

offset :
取得标号的偏移地址:
start:
  mov ax.offset start  ;相当于mov ax,0
 s: mov ax,offset s      ;相当于mov,ax,3
(注意标号不能跳段)
 
jmp: jmp short 标号 ;8位  ;————(对应:mov ax 段名)
 jmp near  ptr 标号 ;16位,段内近转移
 

jmp far ptr 标号 :段间转移 直接修改cs:ip
jmp 16位寄存器
jmp word ptr 内存单元地址(段内转移):
从内存单元地址处开始存放一个字,是转移的目的的偏移地址
eg.  jmp word ptr ds:[0]


jmp dword ptr 内存单元地址(段间转移):
功能:从内存单元地址处开始存放着两个字,高地址处的字是转移的目的段地址,低地址处是转移的目的偏移地址:

CS=内存单元地址+2
IP=内存单元地址
 
jmp dword ptr ds:[0]
 
jcxz指令:
有条件跳转指令,短转移,机器码中包含转移的位移大小(不是目的地址)
jcxz 标号
若 cx=0 ,则转移到标号处执行
当 cx=0时, IP=IP+8位位移("标号"处的地址-jcxz指令后的第一个字节的地址)
当cs!=0时,程序向下跳转执行

loop 短转移
每次都cx=cx-1


ret 指令用栈中的数据,修改IP的内容,从而实现近转移
IP=ss*16+sp
sp=sp+2  
retf 指令用栈中的数据,修改CS和IP的内容,从而实现远转移
IP=ss*16+sp
sp=sp+2
cs=ss*16+sp
sp=sp+2

call指令经常跟ret指令配合使用:
(1)将当前的ip或cs、ip压入栈中
(2)转移(jmp)
 
call不能短转移,其他的等同于jmp
 
格式:
call 标号(将当前的ip压栈后,转到标号处执行指令)
sp=sp-2
ss*16+sp=ip
ip=ip+16位位移(标号的相对偏移)


call far ptr 标号:
sp=sp-2
ss*16+sp=cs
sp=sp-2
ss*16+sp=ip
cs=标号所在的段地址
ip=标号所在的偏移地址
call far ptr 标号 也相当于:
push CS
push IP
jmp far ptr 标号

call 16位寄存器:
sp=sp-2
ss*16+sp=ip
ip=16位寄存器

转移地址在内存中的call指令有两种格式:
call word ptr 内存单元地址
call dword ptr 内存单元地址

call word ptr 内存地址:
相当于——
 push IP
 jmp word ptr 内存单元地址


mul 乘法指令:
相乘的两个数必须同是8位或同是16位
都是8位: 其中的默认的一个乘数为al的8位/内存字节单元,结果放在 ax中
都是16位,其中的默认的一个 乘数为ax的16位/内存字单元,  结果 高位放在dx,低位放在ax
格式
mul reg
mul 内存单元
mul byte ptr ds:[0]
含义为 ax=al*(ds*16+0)
mul word ptr[bx+si+8]
含义为:
ax=(al)*((ds)*16+bx+si+8) 结果的低16位,而高十六位存在dx中


标志寄存器:
类似于psw (program status words)那种

flag寄存器构造:
0 CF:进位标志位,前一句指令最高位是否向更高位进了一位或者借了一位(无符号 )              Carry flag
2 PF:奇偶标志位 上一次结果的二进制表示方法中,如果有偶数个1,PF=1,如果有奇数个1,PF=0    Parity flag
4
 
6 ZF:零标志位 上一次结果不为0, 则ZF=0,上一次为0,则ZF=1 (运算指令如add会影响,但传送指令如mov之类的就不会)Zero flag
 
7 SF(s为segment中的seg):符号标志位,运算结果为负,则SF=1,结果为正,则SF=0 Sign flag
8
9
 
10
 
11 OF: 溢出标志位(有符号):结果超过其所能表示的范围称为溢出,正常看是否因为进位影响了寄存器的符号位 Over flow flag

debug中标志寄存器
标志  值为1的标记  值为0的标记
OF    OV     NV
SF    NG     PL
ZF    ZR     NZ
PF    PE     PO
CF     CY     NC
DF    DN     UP


adc指令:带仅为的加法指令,它利用了CF位上记录的进位值
格式: adc 操作对象1,操作对象2
结果:操作对象1=操作对象1+操作对象2+CF
eg. adc ax,bx
 ax=(ax)+(bx)+CF

CF前一句是sub,则是借位,若是add,则是进位

8086的加法:
低位相加
高位相加再加上CF在前一句的值
即—— add ax,bx 等同于:
 add al,bl
 adc ah,bh

cmp ax,bx  指令过后:
 如果 ZF=1 则二者相等,如果ZF=0,则二者不相等
 如果 CF=1 ax<bx
 如果 CF=0 ax>=bx(还得看ZF)

sbb 带借位的减法指令,它也利用了CF的值
sbb 操作对象1,操作对象2
功能: 操作对象1=操作对象1-操作对象2-CF
eg. sbb ax,bx
实现功能   ax=ax-bx-CF

cmp 是比较指令,功能相当于减法指令,只对flag产生影响,不保存结果。
cmp 操作对象1,操作对象2
功能 计算操作对象1-操作对象2,但并不保存结果,仅根据结果对flag进行设置(相当于用减法比较两个数大小)v

用cmp指令,看SF位,比较两个数的大小的方法,有缺陷
 eg. ah=22h  bh=0a0h
  ah-bh=130=82h sf=1 然而ah>bh
 所以需要同时看OF位
如果 SF=1 OF=0 所以是没有溢出的负数,所以逻辑上真正的结果也是负数
如果 SF=1 OF=1 说明有溢出,而逻辑上真正的结果的正负≠实际结果的正负,所以结果相反
同理 SF=0 OF=1 则结果相反,左面的小
     SF=0 OF=0 所以结果相同,左面的大

所以无符号的数的比较结果,检测ZF与CF的值
有符号数的比较结果,检测ZF,OF和ZF

条件转移:
je 相等则转移 检测ZF=1  equal
jne 不等于则转移 检测ZF=0  not equal
jb 低于则转移 检测CF=1  below
jnb 不等于则转移  检测CF=0  not below
ja 高于则转移 检测CF=0,ZF=0  above
jna 不高于则转移 检测CF=1或ZF=1   not above
  • 0
    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
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