商汤OpenMMLab YOLO系列工具箱;慕尼黑工大『计算机视觉深度学习进阶课』;伯克利『深度无监督学习课程』;前沿论文 | ShowMeAI资讯日报

病毒分析系列2 | 使用PE工具进行初步静态分析 接上篇。进行病毒分析时,在进行具体的病毒行为分析前,需要或许可疑文件的基本信息,此时可以使用pe工具进行分析和获取在该文章中所涉及的知识主要是pe文件格式的相关知识,使用文字进行原理说明会相对冗余。 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

工具&框架

🚧 『mmyolo』OpenMMLab YOLO 系列工具箱

https://github.com/open-mmlab/mmyolo

https://mmyolo.readthedocs.io/en/latest/

MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。主分支代码目前支持 PyTorch 1.6 以上的版本。

🚧 『pe-bear』界面友好的PE文件逆向工具

https://github.com/hasherezade/pe-bear

https://hshrzd.wordpress.com/pe-bear/

PE-bear 是一个跨平台的PE文件逆向工具。它的目标是为恶意软件分析人员提供快速和灵活的『第一视角』,稳定并能够处理异常的PE文件。

🚧 『LAVIS』一站式语言-视觉智能库

https://github.com/salesforce/LAVIS

LAVIS 是一个用于 LAnguage-and-VISion(语言-视觉)智能研究和应用的 Python 深度学习库。这个库的目的是为工程师和研究人员提供一个一站式的解决方案,为他们特定的多模态场景快速开发模型,并在标准和定制的数据集上进行基准测试。它有一个统一的界面设计,支持:

  • 10多个任务(检索、字幕、视觉问题回答、多模态分类等)
  • 20多个数据集(COCO、Flickr、Nocaps、Conceptual Commons、SBU等)
  • 30多个经过预训练的最先进的基础语视模型的权重及其特定任务的适应性(包括ALBEF、BLIP、ALPRO、CLIP)

🚧 『Obsidian Tasks』Obsidian 知识库的任务管理器

https://github.com/obsidian-tasks-group/obsidian-tasks

https://obsidian-tasks-group.github.io/obsidian-tasks/

Obsidian Tasks 是 Obsidian 知识库的任务管理器,跟踪与查询任务,并在你想做的地方将它们标记为已完成。支持截止时间、重复性任务、完成日期、检查表项目的子集和过滤。

🚧 『sherpa-ncnn』使用下一代Kaldi与ncnn的实时语音识别工具

https://github.com/k2-fsa/sherpa-ncnn

https://k2-fsa.github.io/sherpa/ncnn/index.html

sherpa-ncnn是使用下一代Kaldi与ncnn的实时语音识别工具,有训练好的预训练模型,对英文可以做很好的识别支撑,中文的支持也正在更新开发中。

博文&分享

👍 『(ADL4CV) Advanced Deep Learning for Computer Vision』 慕尼黑工业大学 · 计算机视觉深度学习进阶课

https://www.showmeai.tech/article-detail/343

https://www.bilibili.com/video/BV1Tf4y1L7wg/

ADL4CV,全称是 Advanced Deep Learning for Computer vision (ADL4CV),是慕尼黑工大讲授的计算机视觉方向进阶课程,覆盖深度学习计算机视觉基础之上的进阶深度内容,包括:神经网络可解释性、相似度与度量学习、自注意力与transformer、图神经网络、生成模型与GAN、无监督学习、视频处理、迁移学习等。

ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

课程主要面向深度学习计算机视觉进阶内容,有深度学习和计算机视觉基础的同学可以通过本课程进阶,学习到更深入的CV研究方向和内容。课程包含以下主题:

  • Introduction to the course and projects(课程与项目介绍)
  • Neural network visualization and interpretability(神经网络可视化与可解释性)
  • Similarity Learning(相似度与度量学习)
  • Attention and transformers(注意力与transformer)
  • Graph neural networks(图神经网络)
  • Autoencoders & VAE(自编码器与VAE)
  • Generative models I(生成模型与GANI)
  • Generative models II(生成模型与GANII)
  • Videos, autoregressive models, multi-dimensionality(视频处理、自回归模型、高维)
  • Domain Adaptation and Transfer Learning(自适应与迁移学习)
ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

课程对应的资料和视频公开放出,ShowMeAI 对课程资料进行了梳理,整理成这份完备且清晰的资料包(点击 这里 获取这份资料包):

课程公开资料为第1章~第10章的 📚『课件/Slides』,制作得非常专业和用心,如下图所示。

ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

👍 『(CS294) Deep Unsupervised Learning』Berkeley 伯克利 · 深度无监督学习课程

https://www.showmeai.tech/article-detail/344

https://www.bilibili.com/video/BV1uq4y1p7fG

深度学习的研究方向包括一个非常重要的主题:对无标签数据的应用。CS294 是顶级名校 UC 伯克利的课程,针对无监督学习的场景展开,包括深度生成模型和自监督学习两大主题。其中,生成模型使得对自然图像、音频波形和文本语料库等高维原始数据进行真实建模成为可能;而自监督学习算法在逐步缩小监督表示学习和非监督表示学习之间的差距。

ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

CS294 课程涵盖了许多当前的最新研究和模型,是研究生级课程。对无监督学习和深度学习感兴趣的小伙伴可以重点关注这门课程。课程包含以下主题:

  • Autoregressive Models(自回归模型)
  • Flow Models(流模型)
  • Latent Variable Models(变分自动编码器)
  • Generative Adversarial Networks(生成对抗网络)
  • Self-Supervised Learning(自监督学习)
  • Semi-Supervised Learning(半监督学习)
  • Unsupervised Distribution Alignment(无监督分布对齐)
  • Compression(压缩)
  • Learning from Text (OpenAI)(文本学习)
  • Representation Learning in Reinforcement Learning(表征学习)
ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

ShowMeAI 对课程资料进行了梳理,整理成这份完备且清晰的资料包(点击 这里 获取这份资料包):

📚 课件(PDF)。Lecture 1~23所有章节。
📚 课程示例代码(.ipynb文件)。可colab运行。
📚 课程作业与解答(.ipynb文件)。Homework 1~4。可colab运行。
📚 deepul(.py文件)。示例代码与作业辅助函数

ADL4CV; Advanced Deep Learning for Computer Vision; 计算机视觉深度学习进阶课

数据&资源

🔥 『How DALL·E 2 Works』 DALL·E 2工作原理通俗解析

http://adityaramesh.com/posts/dalle2/dalle2.html

🔥 『Satellite imagery datasets containing ships』包含船只的卫星图像数据集列表

https://github.com/JasonManesis/Satellite-Imagery-Datasets-Containing-Ships

用于船舶检测、分类、语义分割、实例分割任务的雷达和光学卫星数据集列表。

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

科研进展

  • 2022.09.22 『少样本学习』 Efficient Few-Shot Learning Without Prompts
  • 2022.08.29 『自监督学习』 CounTR: Transformer-based Generalised Visual Counting
  • 2022.07.17 『物体重建』 An Algorithm for the SE(3)-Transformation on Neural Implicit Maps for Remapping Functions

⚡ 论文:Efficient Few-Shot Learning Without Prompts

论文时间:22 Sep 2022

领域任务:Few-Shot Learning,少样本学习

论文地址:https://arxiv.org/abs/2209.11055

代码实现:https://github.com/huggingface/setfit

论文作者:Lewis Tunstall, Nils Reimers, Unso Eun Seo Jo, Luke Bates, Daniel Korat, Moshe Wasserblat, Oren Pereg

论文简介:This simple framework requires no prompts or verbalizers, and achieves high accuracy with orders of magnitude less parameters than existing techniques./这个简单的框架不需要提示或口述者,并以比现有技术少几个数量级的参数实现了高精确度。

论文摘要:最近的一些方法,如参数有效微调(PEFT)和模式利用训练(PET),在标签稀缺的情况下取得了令人印象深刻的结果。然而,它们很难被采用,因为它们受制于手工制作的提示语的高变异性,并且通常需要十亿个参数的语言模型来实现高精确度。为了解决这些缺点,我们提出了SetFit(句子变换器微调),这是一个高效且无提示的框架,用于对句子变换器(ST)进行少量微调。SetFit的工作原理是,首先以对比连带的方式,在少量的文本对上对预训练的ST进行微调。然后,产生的模型被用来生成丰富的文本嵌入,这些嵌入被用来训练一个分类头。这个简单的框架不需要任何提示或口头语,并且以比现有技术少几个数量级的参数实现了高精确度。我们的实验表明,SetFit获得了与PEFT和PET技术相当的结果,同时其训练速度快了一个数量级。我们还表明,SetFit可以在多语言环境中应用,只需切换ST主体即可。我们的代码可在 https://github.com/huggingface/setfit 获取,我们的数据集可在 https://huggingface.co/setfit 获取。

⚡ 论文:CounTR: Transformer-based Generalised Visual Counting

论文时间:29 Aug 2022

领域任务:Object Counting, Self-Supervised Learning,物体计数,自监督学习

论文地址:https://arxiv.org/abs/2208.13721

代码实现:https://github.com/Verg-Avesta/CounTR

论文作者:Chang Liu, Yujie Zhong, Andrew Zisserman, Weidi Xie

论文简介:In this paper, we consider the problem of generalised visual object counting, with the goal of developing a computational model for counting the number of objects from arbitrary semantic categories, using arbitrary number of “exemplars”, i. e. zero-shot or few-shot counting./在本文中,我们考虑了广义的视觉对象计数问题,目的是开发一个计算模型,用于计数任意语义类别的对象数量,使用任意数量的 “典范”,即0-sot或少数几个sot计数。

论文摘要:在本文中,我们考虑了广义视觉物体计数的问题,目的是开发一个计算模型,用于计数任意语义类别的物体数量,使用任意数量的 “典范”,即零次或少数次计数。为此,我们做出了以下四个贡献。(1)我们为通用的视觉物体计数引入了一种新的基于变换器的结构,称为计数变换器(CounTR),它明确地捕捉了图像斑块之间的相似性或与给定的 "典范 "的相似性,并采用了一种两阶段的训练机制,首先通过自我监督学习对模型进行预训练,然后在监督下进行微调。 (3) 我们提出了一个简单的、可扩展的管道,用于合成具有大量实例或来自不同语义类别的训练图像,明确地迫使模型利用给定的 “典范”;(4) 我们对大规模计数基准进行了彻底的消融研究,例如 (4) 我们对大规模计数基准,如FSC-147,进行了彻底的消融研究,并在零和少量的设置中展示了最先进的性能。

⚡ 论文:An Algorithm for the SE(3)-Transformation on Neural Implicit Maps for Remapping Functions

论文时间:17 Jun 2022

领域任务:Object Reconstruction, Surface Reconstruction,物体重建,表面重建

论文地址:https://arxiv.org/abs/2206.08712

代码实现:https://github.com/jarrome/imt_mapping

论文作者:Yijun Yuan, Andreas Nuechter

论文简介:As our neural implicit map is transformable, our model supports remapping for this special map of latent features./由于我们的神经隐性图是可转换的,我们的模型支持对这种特殊的潜在特征图进行重映射。

论文摘要:隐性表征由于其效率和灵活性而被广泛用于物体重建。2021年,一种名为神经隐性图的新结构被发明用于增量重建。神经隐式图缓解了以往在线三维密集重建的低效内存成本问题,同时产生了更好的质量。然而,神经隐含图的局限性在于它不支持重映射,因为在生成神经隐含图后,扫描的帧被编码为深度先验。这意味着,这个生成过程是不可反转的,深度先验也是可转换的。不可逆的特性使得它不可能应用循环封闭技术。% 我们提出了一种基于神经隐含图的转换算法来填补这一空白。由于我们的神经隐性图是可转换的,我们的模型支持对这种特殊的潜在特征图进行重映射。实验表明,我们的重映射模块能够很好地将神经隐含图转化为新的姿势。嵌入到SLAM框架中,我们的映射模型能够解决循环闭合的重映射问题,并展示了高质量的表面重建。我们的实现可以在 https://github.com/Jarrome/IMT_Mapping 获取,供研究界使用。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!

◉ 点击 日报合辑,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。

◉ 点击 电子月刊,快速浏览月度合辑。

◉ 点击 这里 ,回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

sherpa-ncnn 环境搭建 阅读详情

相关推荐

yolov8 strongSORT多目标跟踪工具箱BOXMOT

由mikel brostrom提供。在以前的版本中,有yolov5+deepsort(版本v3-v5), yolov8+strongsort(版本v6-v9),直至演变到v10,名称BOXMOT。BOXMOT提供三种对象检测器:yolov8, yolo_nas, yolox;支持多个跟踪器:BoTSORT, DeepOCSORT, OCSORT, Hybridsort, ByteTrack, StrongSORT。以前常见的DeepSort在此由增强型StrongSORT替代。

白起 1万+

易语言调用Yolov8与Yolov8综合工具使用

相信大家也看了不少的Yolo(Yolov4\Yolov5\Yolov6Yolo\v7\Yolov8)系列那些繁杂的理论. 自己也经过了一段的深入研究。 有一定基础的小伙伴,也许已经能够成功使用了。 但是肯定还有一部分,基础不是很强的小伙伴们还不能成功的运用。 那么欢迎加入我们,我会翻译好,整理好。会让你快速使用与学会调用。

weixin_59753573的博客 5997

pe-bear-releases:PE-bear(仅内置)

PE轴承释放 PE-bear是用于PE文件的免费软件反向工具。 其目标是为恶意软件分析人员提供快速,灵活的“第一视图”,并稳定且能够处理格式错误的PE文件。 警告: PE-bear不是开源的-您只能在此处找到内部版本。 但是,PE-bear的PE解析器是开源的,可以在这里找到: PE-bear的签名:

【亲测免费】 PE-bear:你的PE文件逆向分析利器

在安全研究领域,理解可执行文件的内部结构至关重要。今天,我们要推荐一个开源工具——**PE-bear**,它是面向PE(Portable Executable)文件的强大而灵活的多平台逆向分析助手。 ## 项目介绍 PE-bear,以其独特的熊形图标为标志,是一款专为PE文件设计的轻量级但功能丰富的工具。它旨在为恶意软件分析师提供快速的第一印象分析,即使面对格式异常或损坏的PE文件也能稳定工作...

gitblog_00470的博客 1209

Java 开发 修改【冒险岛 079 私服】完整学习流程

第 1-2 天:环境搭建 + 运行原版 079 服务端,能正常登录游戏;第 3-4 天:纯配置文件修改,掌握倍率、属性、怪物、道具的修改,改出第一个「百倍经验私服」;第 5-10 天:Java 代码基础修改,掌握 Player/Skill/Monster 核心类的修改,实现技能无冷却、一刀秒怪、升级满属性;第 11-20 天:Java 代码进阶修改,掌握业务逻辑修改,实现死亡不掉经验、自动捡物、装备强化无失败;第 21-30 天。

萧曳丶 3908

C++常见面试题总结

C++常见面试题总结

xu_fu_yong的专栏 8万+

PE-bear与同类工具对比:为什么选择这款PE分析神器

PE-bear是一款功能强大的Portable Executable逆向分析工具,专为Windows可执行文件分析而设计。如果你是安全研究人员、恶意软件分析师或逆向工程爱好者,这款PE文件分析神器将为你提供快速、灵活的"第一视角",帮助你高效处理各种PE文件格式,即使是畸形的PE文件也能稳定解析。😊 ## 🔍 PE-bear的核心优势:为什么它脱颖而出? ### 1. 跨平台兼容性:真正的

gitblog_00002的博客 497

从T型结到Wilkinson:5分钟搞懂功分器选型指南(附最新射频测试数据对比)

本文通过对比T型结、电阻型和Wilkinson三种功分器的核心原理与实测数据,提供了清晰的射频功分器选型指南。文章结合最新的2.4GHz ISM频段测试数据,分析了插入损耗、回波损耗和端口隔离度等关键指标,并针对窄带物联网、射频测试及合成系统等不同应用场景,给出了具体的选型建议和实战提醒,帮助工程师根据系统需求做出最优决策。

bush的博客 307

PE-bear终极指南:快速掌握专业PE文件逆向分析工具

PE-bear是一款跨平台的PE文件逆向分析工具,专为恶意软件分析师和安全研究人员设计,提供快速灵活的"第一视图"分析能力。无论你是安全新手还是资深逆向工程师,这款工具都能帮助你高效解析Windows可执行文件格式。 ## 🚀 快速上手PE-bear ### 系统要求与安装方法 PE-bear支持Windows、Linux和MacOS三大平台,安装过程简单快捷: **Windows用户*

gitblog_00288的博客 894

PLUS模型土地利用变化模拟使用简介

因子包括自然因子如社会因子,通过计算整理得到新图层,并以tif文件输出到驱动因子的文件夹里,驱动因子文件夹里存放的是tif文件格式。线性回归使用提供的所有的LULC资源数据,可以选择往后预测的年数,选择好数据之后,可以得出预测的每一年的每一用地类型面积数据。在此过程之后,可以继续使用此CARS输入的数据继续模拟,也可返回二(3)中CARS模块,重新输入不同的年份预测。在此过程之后,可以继续使用此CARS输入的数据继续模拟,也可返回二(3)中CARS模块,重新输入不同的年份预测。

qq_42831270的博客 5813

保姆级教程:5分钟搞定微信小程序live-player组件接入监控视频流

本文提供了一份详细的微信小程序接入实时监控视频流的实战指南。文章对比了live-player与video组件的核心差异,重点解析了如何申请并开通live-player组件的严格权限,并提供了播放RTMP流(低延迟)的完整配置、状态监听与错误处理代码。同时,也介绍了使用video组件播放HLS流的备选方案,帮助开发者根据项目需求快速选择并实现稳定可靠的监控视频播放功能。

open4的博客 299

【亲测免费】 PE-bear 项目常见问题解决方案

PE-bear 是一个多平台的便携式可执行文件(PE)逆向工程工具,具有友好的图形用户界面(GUI)。该项目的主要目标是提供一个快速且灵活的“初步视图”,供恶意软件分析师使用,同时能够稳定地处理格式错误的 PE 文件。PE-bear 支持多种操作系统,包括 Windows、Linux 和 MacOS。 该项目的主要编程语言是 C++,结合了 Qt 框架用于图形用户界面的开发。 ## 新手使用注...

gitblog_00332的博客 983

3款 433MHz 收发模块对比:SYN480R vs RXB6 vs DL-TX19,实测卷帘门遥控距离

本文深度评测了3款433MHz收发模块SYN480R、RXB6与DL-TX19在卷帘门遥控距离、穿透性能和抗干扰能力等方面的表现。通过实测数据对比,分析了超外差、超再生和PLL锁相环技术的优劣,为智能家居和工业控制领域的无线遥控方案选型提供专业参考。

weixin_30700977的博客 396

使用sherpa-ncnn进行中文语音识别(ubuntu22)

sherpa-ncnn 实时 语音转文字 中文识别

lstef的博客 3546

Qt Quick (QML) 老年人健康管理

通过 **Qt SQL** 模块将所有健康数据(用药记录、体检数据等)安全地存储在本地 **SQLite** 数据库中。你想用 **Qt C++** 结合 **Qt Quick** (QML) 来开发一个老年人健康管理软件,主要功能包含 **用药提醒** 和 **健康记录** (使用 `Qt SQL` 存储数据)。* **UI 框架**: Qt Quick (QML) - 用于构建流畅、动态的用户界面。**数据模型类 (models/MedicationReminder.h / .cpp)**

寒寒豆豆软件公司的博客 195

基于DRU-HVDC的构网型海上风电场环流机理仿真复现

本文介绍了基于DRU-HVDC的构网型海上风电场环流机理仿真模型的构建方法。主要内容包括: 完整的Simulink模型结构,包含主模型文件GFM_DRU_Main.slx和配置脚本GFM_DRU_Setup.m 系统参数设置,包括基础频率(20Hz)、电压基准值(690V)、功率基准值(2MVA)等 四种仿真场景配置:电压不平衡、相位不平衡、阻抗不平衡和频率不平衡 风力发电机(WT)子系统的详细构建步骤,包含电压源、输出阻抗和测量模块 变压器和DRU整流器的参数设置 该模型可用于研究构网型风电场的环流机理。

huanghm88的专栏 262

语音转文字——sherpa ncnn语音识别离线部署C++实现

虽然 PyTorch 提供了对 ONNX 的支持,但并不是所有的 PyTorch 算子都可以无缝地转换为 ONNX 格式。为了考虑多平台的支持,这里选择了 ncnn 推理框架。ncnn 提供了 PNNX 模型转换工具,可以将 PyTorch 模型转换为 ncnn 支持的格式。ncnn 和 PNNX 的代码可读性和可扩展性都很好,当遇到不支持的算子时,可以方便地扩展 ncnn 和 PNNX。

知来者逆的博客 4408

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

PE-Bear 开源项目教程

PE-Bear 是一个用于分析和修改 PE (Portable Executable) 文件的工具。项目的目录结构如下: ``` pe-bear/ ├── bin/ │ ├── PE-Bear.exe │ └── ... ├── src/ │ ├── bear_lib/ │ ├── gui_src/ │ └── ... ├── res/ │ ├── icons/ │ ...

gitblog_01036的博客 743

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

PE文件结构——NT Headers

它实际上是用来定为的,因为镜像文件存储的内存空间实际上是和实际空间不一样的,需要通过这个基址来给“头”和“节”进行重定位。它占据了四个字节,是一个固定的十六进制值为"0x50450000",按照ASCII码编码,值为"PE\0\0",这是一个标签,它的作用是告诉OS loader这是个PE文件。1.32位的可选择头,它一共有31个成员而64位的可选择头有30个成员。7.SizeOfHaeders:所有头的总大小(以字节计算),它的大小为FileAlignment的整数倍,向上取整(显然,上面那个也是)。

QXinHan的博客 819

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

sherpa + ncnn 离线语音识别

sherpa-ncnn 离线语音识别

稻草人 2988

MMYOLO | YOLO 系列算法开源工具箱推荐----玩转 MMYOLO 工具类第一期: 特征图可视化

MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。本文主要分析了 MMYOLO 中特征可视化用法。

qq_43000647的博客 6958

【亲测免费】 探秘逆向工程利器:PE-bear

在信息安全与恶意软件分析的领域中,一款高效、稳定的逆向工具是必不可少的。今天,我们要介绍的就是这样一款多平台的PE文件分析工具——PE-bear。它以其快速、灵活的特点,为分析师提供了一种直观的“第一视图”,即使是处理异常的PE文件也能游刃有余。 ## 项目介绍 PE-bear是一款开源的逆向工程工具,专为处理Portable Executable(PE)文件设计。它的目标是打造一个稳定且强大...

gitblog_00015的博客 1208

离线语音识别 sherpa-ncnn 尝鲜体验

有专门的小模型可应用于 Raspberry Pi 4 之类的嵌入式板卡上,在 PC 上可以选择大一点的模型,做一些对比,选择了 csukuangfj/sherpa-ncnn-streaming-zipformer-bilingual-zh-en-2023-02-13 (Bilingual, Chinese + English) 这个模型在 PC 上运行。不需要访问网络,不需要数据传输,完全本地识别。识别效果:识别速度很快,效果比较好,但是只支持wav格式的音频,其他格式的需要转换后才能识别。

燕十三的物联网之旅 4944

PE-bear:专业级PE文件逆向工程软件完全指南

PE-bear是一款专为安全研究人员和恶意软件分析师设计的跨平台PE文件分析工具,提供快速直观的"第一眼"逆向工程软件体验。无论你是刚刚接触Windows可执行文件分析的新手,还是经验丰富的安全专家,这款PE文件分析工具都能帮助你高效完成各类逆向分析任务。 ## 🚀 快速安装指南 ### Windows系统安装 Windows用户可以通过多种包管理器轻松安装: - **Chocolate

gitblog_00421的博客 815

2022年新一代kaldi团队技术输出盘点

以下是 k2 团队对2022年输出的技术做的盘点。

weixin_48827824的博客 3500

PE-bear v0.7.0.4版本发布:PE文件分析工具的黑暗模式支持与稳定性提升

PE-bear是一款功能强大的便携式PE(Portable Executable)文件分析工具,支持Windows、Linux和macOS多个平台。作为逆向工程和恶意软件分析领域的重要工具,PE-bear提供了直观的图形界面来查看和编辑PE文件的各种结构,包括头部信息、节区、导入/导出表等。 ## 主要特性更新 本次发布的v0.7.0.4版本在Qt6版本中引入了一项重要改进:当系统启用了黑暗模...

gitblog_01367的博客 569
上一篇: 新研究!AI扫描视网膜即可预测心脏病;康奈尔大学『智能系统机器学习』课程;MLOps简化平台;公益活动报名小程序(开源);前沿论文 | ShowMeAI资讯日报
下一篇: AI绘画发展史(伪):从免费到吃屎;YSDA·自然语言处理课程8K Star;伯克利CS285·深度强化学习课程;前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

ShowMeAI

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