2301_79469415的博客

原创 软件安全第7节

原创 软件安全第6节

原创 AE的原理与实现

本质就是特征的进一步提取//将复杂数据压缩成最重要的特征，原始域特征W1和新的原始域特征W2他们的维度不一定相等，正常是降维是用来进一步减少计算量的。最小化重构误差，努力使得重构的输出尽可能接近原始的输入，从而学习数据的关键特征和模式。AE不学习已经标记的数据，而是有效编码未标记的数据，广泛用于无监督聚类的人工神经网络。编码器是将原始域转为特征域，将输入数据压缩到低维的潜在空间。解码器是将特征域转为原始域，从这个压缩表示中重建原始输入。交叉商关注分类任务的各类概率分布，关注概率分布之间的差异。

原创 软件安全第四节

简单说：调试器要“看”程序怎么跑、“改”程序（如设断点），“干扰”就是故意制造障碍——比如TLS回调让调试器没来得及“盯”就先检测，校验和让调试器一改代码就触发异常，陷阱标志检测让单步调试被识破，本质都是让调试器的分析动作失效，没法正常逆向。代码在运行时修改自身指令（比如把“加密的代码”解密成“可执行的指令”，执行后再加密），反汇编时只能看到“加密后的垃圾指令”，只有运行时才会变成有效代码，对抗静态反分析。一般双击运行的进程的父进程都是explorer.exe，但是如果进程被调试，父进程则是调试器进程。

原创 软安第二节

前言：还是同一个原因，没课本，讲的过于抽象（调研了一下周边的同学基本上大家都不怎么懂，感觉比上学期密码学还难，值得一提的是我上学习期密码学97，还成功向老师指出了期末考试椭圆曲线题目的设计问题）- 页：操作系统把虚拟内存和物理内存都划分成固定大小的块，这个块就称为页。小端法就是把一个多字节的数据，按"低位在前，高位在后"的顺序存放在内存里。标志寄存器知道最主要的o溢出，s符号，a半进位，z0标，c进位，d方向，i中断。- 页框：物理内存中的页被称为页框，它是物理内存的基本分配单位。数据类型掌握这个足够。

原创 软安（第三课时笔记）

软件断点（快捷键是F2），使用过程是将内存中的一个指令字节替换成INT3（0xCC）指令，并触发软件中断，特点就是设置灵活、数量任意、修改原始指令。前言：主要是这个课，他没有课本，只有PPT，不记笔记感觉听不懂，我原本是只想在发的PPT上记笔记，但是发现内容比较杂，有的并不是重点。硬件断点，是用的CPU调试器（DR0-DR7）直接监视地址，执行到该地址时触发，特点是难检测，不修改指令，有数量限制（x86只有4个）本节重点：olldbg的使用（我认为IDA只是单纯的介绍）mocsx先符号拓展再传送。

原创 卷积的一些分类与整理

nn.ConvTranspose2d(64, 3, 3, 2, 1), # 转置卷积：[2,64,112,112]→[2,3,224,224]（恢复原始尺寸）nn.ConvTranspose2d(128, 64, 3, 2, 1), # 转置卷积：[2,128,56,56]→[2,64,112,112]（2倍上采样）nn.Conv2d(3, 64, 3, 1, 1), # 普通卷积：[2,3,224,224]→[2,64,224,224]

原创 TransMamba 架构

① 光谱带自注意力（SBSA）—— 频域注意力机制 SBSA 的核心创新是光谱带重组（SBR），通过频域划分实现 “高低频特征差异化关注”，流程如下： 光谱带重组（SBR）： 对输入的光谱特征（如经过 FFT 转换的频域特征）按频率大小分类，将 “高频特征”（对应雨水条纹等噪声）和 “低频特征”（对应背景结构）拆分为两个子集，避免噪声与有效特征相互干扰。只处理 “频域噪声”（比如纯 Transformer）：能删雨水，但容易把背景纹理（比如树叶、窗户框）也弄模糊（背景是 “低频结构”，频域视角易误伤）。

原创 频域对比损失（Frequency-Domain Contrastive Loss）讲解与代码实现

对比损失（Contrastive Loss）源于对比学习（Contrastive Learning），核心是构建 “锚点（Anchor）- 正例（Positive）- 负例（Negative）” 三元组，通过损失函数让： 锚点与正例的特征距离尽可能近（两者属于同一目标，如 “雨图频域” 与 “对应干净图频域”）；而将对比损失迁移到频域，能充分利用 “雨纹与背景在频谱上的固有差异”（雨纹多集中于低频，背景细节多在高频），进一步约束模型分离雨纹与背景的频域特征，提升去雨效果。

原创 快速傅里叶调整模块（FFAB）

1. 相位分量的维度本质 在 FFAB 的工作流程中，“相位分量” 是对输入 (B, C, H, W) 特征图做逐通道 2D 傅里叶变换后得到的中间结果： 输入特征图：x ∈ (B, C, H, W)（B = 批次、C = 通道、H = 高、W = 宽）；为缓解梯度消失、保留原始输入的有效特征，FFAB 引入残差连接（Skip Connection）：将重建后的空间域特征 F spatial′与原始输入 F相加，再通过 3×3 卷积做最终特征整合，输出优化后的局部细节特征图。

原创 vit的一些细节

本文解析了Vision Transformer（ViT）中的关键组件和工作原理。cls_token作为分类专用向量，通过注意力机制整合所有图像Patch的信息；embed_dim统一了所有令牌的特征表示维度，成为模型的"通用语言"。位置嵌入通过广播机制与输入相加，为模型提供空间信息。QKV线性层高效计算注意力权重，多头机制使模型能捕捉多样关联。LayerNorm和残差连接保障了深层网络的稳定训练。cls_token的输出作为图像全局特征用于分类，也可提取局部特征支持下游任务。ViT本质是

原创 多光谱和高光谱的区别

第三期 高光谱/多光谱有什么区别]https://www.bilibili.com/video/BV1pXPpe6E1V/?多光谱成像通常采集几个特定波段的信息，作用在于捕获物体宏观特征（ep.RGB图像的三色信息，正常的肉眼观测的图像）高光谱图像获取连续的光谱信息，波段数量多，分辨率更高。

原创 时域图片和频域图片

变化快的区域（如边缘、纹理）对应高频成分，变化慢的区域（如平滑背景）对应低频成分） 的分布。特点：直接对应视觉感知，便于理解图像的细节（如物体形状、纹理），但难以直接分析 “变化快慢” 这类规律（例如平滑区域和边缘的差异）图像的亮度（或颜色）随空间坐标（x, y）的变化关系。例如灰度图中，(x,y) 处的像素值表示该点的明暗），一张照片、截图，每个像素的 RGB 值构成的矩阵就是空间域图像。特点：便于分析图像的频率规律（如噪声多为高频，可通过低通滤波去除），适合压缩、去噪、特征提取等操作。

原创 Probing Synergistic High-Order Interaction forMulti-Modal Image Fusion（组会的PPT）

摘要：本文提出协同高阶交互范式(SHIP)用于多模态图像融合，突破传统二阶交互限制。SHIP在空间和通道维度建模高阶交互，通过频域元素乘法实现高效细粒度空间关联，并扩展SE块捕捉全局通道依赖。增强版SHIP++引入残差记忆、跨阶注意力演化等机制，进一步优化性能。实验表明，该方法在红外-可见光融合和全色锐化任务中均优于现有技术，如在TNO数据集上VIF指标达0.959。研究为多模态协同信息挖掘提供了新思路，可应用于安防监控和遥感等领域。

原创 Probing Synergistic High-Order Interaction for Multi-Modal Image Fusion探索多模态图像融合中的协同高阶交互作用（复习笔记）

频域 SA：FFT/IFFT 复杂度 O(B⋅C⋅HWlog(HW))≈8⋅64⋅1024⋅10≈5.3×10 6 （ log 2 ​ (1024)=10 ），逐元素运算复杂度 O(8⋅64⋅1024)≈5.2×10 5 ，总复杂度约为传统的 1/100]数学表示：若 F(K) 是 K 的傅里叶变换，则其频域共轭为 F(K) ​ ，满足： ∀f, F(K) ​ (f)=conj(F(K)(f))]关键优势：逐元素相乘的计算复杂度是 O(n) （ n 为元素个数），远低于矩阵乘法的 O(n 2 )。