靶场搭建靶机下载地址：Matrix-Breakout:2Morpheus~VulnHub直接解压双击ova文件即可使用软件：VMware（可能会出现问题），VirtualBox（此处官方建议使用VirtualBox）难度：中等攻击机：kali信息收集为了方便我直接使用windows上的lansee直接扫描出目标靶机iplansee扫描结果去除已知靶机ip剩下的就是目标靶机192.168.21.134当然需要访问看看访问结果看看源码能出现啥192.168.21.134网页主页源码没有什么有用的看看nmap能看出来啥nmap192.168.21.143nmap简单扫描结果看看端口详细信息nmap-
论文标题：EmbracingSingleStride3DObjectDetectorwithSparseTransformer源码地址：https://github.com/TuSimple/SSTCVPR2022文章写得很好！文章从2d3d目标检测目标的尺寸的不同入手，在2d目标检测中确实由于图像近大远小的尺寸关系存在着图像中物体尺寸长尾的问题：如coco数据集中，大小目标往往是呈现long-tail的分布，于是很多研究者才考虑从不同scale的featuremap来进行不同大小的object的预测，而对于3d目标检测来说物体的尺寸基本是一致的，没有受到近大远小的投影关系的影响。远处的物体仅
论文标题：EmbracingSingleStride3DObjectDetectorwithSparseTransformer源码地址：https://github.com/TuSimple/SSTCVPR2022文章写得很好！文章从2d3d目标检测目标的尺寸的不同入手，在2d目标检测中确实由于图像近大远小的尺寸关系存在着图像中物体尺寸长尾的问题：如coco数据集中，大小目标往往是呈现long-tail的分布，于是很多研究者才考虑从不同scale的featuremap来进行不同大小的object的预测，而对于3d目标检测来说物体的尺寸基本是一致的，没有受到近大远小的投影关系的影响。远处的物体仅
1.写在前面为什么时隔多年又再做一次混淆矩阵的整理，TMD就是每次用的时候要自己回过头查一遍，老是记不住，为了打好基础，再次进行梳理。2.为什么会有混淆矩阵我们简单的分类衡量模型的好坏，其实正常使用均方误差就行了，如下：E(f;D)=1m∑i=1m(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}(f(x_i)-y_i)^2E(f;D)=m1∑i=1m(f(xi)−yi)2其次就是错误率：E(f;D)=1m∑i=1m∏(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}\prod(f(x_i)-y_i)^2E(f;D
1.写在前面为什么时隔多年又再做一次混淆矩阵的整理，TMD就是每次用的时候要自己回过头查一遍，老是记不住，为了打好基础，再次进行梳理。2.为什么会有混淆矩阵我们简单的分类衡量模型的好坏，其实正常使用均方误差就行了，如下：E(f;D)=1m∑i=1m(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}(f(x_i)-y_i)^2E(f;D)=m1∑i=1m(f(xi)−yi)2其次就是错误率：E(f;D)=1m∑i=1m∏(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}\prod(f(x_i)-y_i)^2E(f;D
一、题目大意标签:数组https://leetcode.cn/problems/search-a-2d-matrix-ii编写一个高效的算法来搜索 m x n 矩阵matrix中的一个目标值target。该矩阵具有以下特性：每行的元素从左到右升序排列。每列的元素从上到下升序排列。示例1：输入：matrix=[[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,22],[10,13,14,17,24],[18,21,23,26,30]],target=5输出：true示例2：输入：matrix=[[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,
一、题目大意标签:数组https://leetcode.cn/problems/search-a-2d-matrix-ii编写一个高效的算法来搜索 m x n 矩阵matrix中的一个目标值target。该矩阵具有以下特性：每行的元素从左到右升序排列。每列的元素从上到下升序排列。示例1：输入：matrix=[[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,22],[10,13,14,17,24],[18,21,23,26,30]],target=5输出：true示例2：输入：matrix=[[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,
租用机器，按自己需要的环境选择一个环境，我这里选择的是Pytorch1.10。租用成功后点击租用页面的Jupyterlab链接。Jupyterlab里新建一个Terminal用来安装环境，先检查Pytorch、CUDA版本，如下图可以看到我的环境Pytorch1.10.0，CUDA11.3。接下来安装torch-scattertorch-sparsetorch-clustertorch-spline-convtorch-geometric这些包。PyG官方提供的安装方法（部分torch版本下安装会出错）：pipinstalltorch-scattertorch-sparsetorch-clus
租用机器，按自己需要的环境选择一个环境，我这里选择的是Pytorch1.10。租用成功后点击租用页面的Jupyterlab链接。Jupyterlab里新建一个Terminal用来安装环境，先检查Pytorch、CUDA版本，如下图可以看到我的环境Pytorch1.10.0，CUDA11.3。接下来安装torch-scattertorch-sparsetorch-clustertorch-spline-convtorch-geometric这些包。PyG官方提供的安装方法（部分torch版本下安装会出错）：pipinstalltorch-scattertorch-sparsetorch-clus
一、题目大意标签:动态规划https://leetcode.cn/problems/01-matrix给定一个由0和1组成的矩阵mat ，请输出一个大小相同的矩阵，其中每一个格子是mat中对应位置元素到最近的0的距离。两个相邻元素间的距离为1。示例1：输入：mat=[[0,0,0],[0,1,0],[0,0,0]]输出：[[0,0,0],[0,1,0],[0,0,0]]示例2：输入：mat=[[0,0,0],[0,1,0],[1,1,1]]输出：[[0,0,0],[0,1,0],[1,2,1]]提示：m==mat.lengthn==mat[i].length11mat[i][j]iseithe
