Hello World
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.
Quick StartCreate a new post1$ hexo new "My New Post"
More info: Writing
Run server1$ hexo server
More info: Server
Generate static files1$ hexo generate
More info: Generating
Deploy to remote sites1$ hexo deploy
More info: Deployment
zerotier
#linux
免费的内网组网工具，不同于nps等使用内网穿透的形式构建局域网。
安装申请帐号在官网上申请帐号，然后创建网络。选择private，这样只有在官网认证成功的IP才能成功组网，防止被人入侵。
Linux上安装使用官网命令安装1curl -s https://install.zerotier.com | sudo bash
将当前设备加入zerotier局域网
123sudo ./zerotier-cli join [network id]# 必须要有sudo，不然会报错
启动zerotier服务，并设置为开启自启
12sudo systemctl start zerotier-one.servicesudo systemctl enable zerotier-one.service
手动构建使用官网的脚本无法进行安装，这个时候可以直接下载github上的包，使用make进行安装。安装完成之后，在ZeroTierOne目录下会生成zerotier-cli命令，通过这个命令去进行申请组网：
123sudo ./zerotier-cli join [network id]# ...
git教程
用户设置设置提交用户识别12345678#local设置当前项目#global全局用户设置，在用户家目录下，一般以项目优先# 不加local其实也是默认为local设置git config --local user.name "*"git config --local user.email "*"
查看当前库情况1cat .git/config
免密登入使用ssh密钥需要创建ssh密钥
1ssh-keygen -t rsa -C "[email protected]"
t 指定加密形式，这里使用了rsa加密，C为comment，可以不需要，类似于git中提示。上述命令会在 .ssh 文件下生成一对rsa的公私密钥，之后只需要将公钥发送到指定的服务器即可。
手动直接拷贝pub公钥中的内容到指定服务器 .ssh 文件下的authorized_keys里即可。
ssh-copy-id1ssh-copy-id -i ~/.ssh/id_rsa.pub user@server
会自动将公钥复制到服务器的authorized_keys中。
...
curl
curl 是常用的命令行工具，用来请求 Web 服务器。它的名字就是客户端（client）的 URL 工具的意思。作用是发出网络请求，然后得到和提取数据，显示在”标准输出”（stdout）上面。
功能这里主要介绍常见的使用参数。
查看网页源码=O|o|123curl www.sina.com# curl -o [文件名] www.sina.com 会保存显示的内容保存下来，相当于使用wget命令了# curl -O www.sina.com # 不需要指定文件名，将 URL 的最后部分当作文件名
返回
1234567 <!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML 2.0//EN"> <html><head> <title>301 Moved Permanently</title> </head><body> <h1>Moved Permanently</h1> <p>The docum ...
pdm
#Python工具
受到PEP582以及node管理库文件方式的启发，以「本地项目库」的形式创建及管理不同的Python环境。
具体的介绍可以查看官方文档
安装这里仅介绍官方推荐的方法
12python -m pip install --user pipxpython -m pipx ensurepath
接着关闭你的终端重开一个新的，继续输入(通过[[pipx]]安装)：
1pipx install pdm
当出现以下内容时，则代表我们的pdm已经安装完成了~
使用
无法指定Python版本，只能依赖于已有的版本
项目的构建使用pdm以当前目录作为项目仓库创建项目时，需要根据项目的实际需要^^切换到对应的Python版本^^，再执行pdm init来初始化项目
123cd C:\Users\pengz\Desktop\当期博客工作台\pdm-democonda activate dash-appspdm init
初始化项目时，根据自己的实际情况填写每个问题即可初始化完成项目之后，可以在当前目标下创建好pyproject.toml文件，它记录了当前pdm项目的各项基本参数
为项 ...
Linux提权
声明知己知彼，百战不殆，有了解才有对策，不是教人有”判”头呀！！Linux提权即获取root权限，可以划分为非漏洞提权和漏洞提取两部分。
非漏洞提权利用管理员配置不当获取权限的方法。
利用SUID二进制文件进行提权SUID权限
SUID权限只能设置二进制文件。
命令的执行者要有二进制的执行权。
命令的执行者在执行该二进制文件的时候会获得属主身份。
SUID权限只能在程序执行过程中有效。
示例：如果root给一个程序赋予了SUID权限，那么这个文件的属主就是root，在执行过程中将获得root权限。
什么是SUID在实际应用中，仅设置文件的rwx基础权限无法满足安全和灵活性的需求，因此就有了SUID，SGID，SBIT的特殊权限位。具体查看 [[Linux权限]]。
利用方式首先使用find命令去查找拥有SUID的二进制可执行文件
1234find -perm -u=s -type=f 2>/dev/null# -perm 权限查找# -u=s user有s权限# -type=f 类型为普通的文件
假设cp有SUID权限假设如果cp有SUID权限，那么在执行cp的时候就或拥有r ...
pytorch
模型ConvTranspose2did:: 6258d8b8-2557-4a01-ae49-cb96116dd746逆卷积。论文中称其为fractionally-strided convolutions，也有的称它为deconvolutions，但是前者表达更为确切。
nn.AdaptiveAvgPool2d2元(2d)就是二维数据的意思。
汇聚层（Pooling）汇聚层，有些地方也翻译成池化层，它主要负责对数据在空间维度（宽度和高度）上进行降采样（downsampling）操作
均值（Avg）均值（Avg）指定了汇聚层在进行降采样操作时所采用的计算方法。汇聚层在降采样时，通常会使用最大值抽取样本和均值抽取样本两种手法。用最大值抽取样本的汇聚层一般叫做最大值汇聚层，用均值抽取样本的汇聚层一般叫做均值汇聚层。
自适应(Adaptive)在实际的项目当中，我们往往预先只知道的是输入数据和输出数据的大小，而不知道核与步长的大小。如果使用上面的方法创建汇聚层，我们每次都需要手动计算核的大小和步长的值。而自适应（Adaptive）能让我们从这样的计算当中解脱出来，只要我们给定输入数据和输出数据的 ...
TokenPose
URL:NAME: TokenPose: Learning Keypoint Tokens for Human Pose EstimationAUTHOR: 清华，旷视YEAR: 2021.4PUBLISHED: ICCVTAG: ((620602d4-e403-40ec-9508-dba5cdc03e26)), ((62064c08-e692-41af-a9e5-d5b1dead5872))CODE: https://github.com/leeyegy/TokenPoseIN A WORD:
whyCNN网络缺乏显式学习关键点联系的能力。所以本文想借用Transformer的全局能力突出关键点。
what这里画得是利用CNN划分patch到1D的特征向量，但是文中说的是使用ViT的方式来生成patch的，有歧义，但是问题不大。同样需要进行位置编码。有一个问题，好像没有像ViT一样增加cls token。之后网络额外增加了keypoint token，长度与每个patch的长度是一致的。最后网络的输入是{[visual, keypoint]}的组合。每个Transformer Lay ...
SimDR
URL:NAME: Is 2D Heatmap Representation Even Necessary for Human Pose Estimation?AUTHOR: 清华 旷视YEAR: 2021PUBLISHED:TAG: ((620602d4-e403-40ec-9508-dba5cdc03e26))CODE: https://github.com/leeyegy/SimDRIN A WORD: 相较与热图操作，少了一个偏移回归的操作[[SimDR CODE]]
why先前的姿态估计方法都是从2D高斯热图出发，这极大的限制了姿态估计发展前景。
Heatmap
在低分辨率图片上掉点严重：对于HRNet-W48，当输入分辨率从256x256降到64x64，AP会从75.1掉到48.5
为了提升精度，需要多个上采样层来将特征图分辨率由低向高进行恢复：通常来说上采样会使用转置卷积来获得更好的性能，但相应的计算量也更大，骨干网络输出的特征图原本通道数就已经很高了，再上采样带来的开销是非常庞大的
需要额外的后处理来减小尺度下降带来的量化误差：如DARK修正高斯分布，用argmax获取 ...
RLE
URL:NAME: Human Pose Regression with Residual Log-likelihood EstimationAUTHOR:YEAR: 2021PUBLISHED: ICCVTAG: ((620602d4-e403-40ec-9508-dba5cdc03e26))CODE: https://github.com/Jeff-sjtu/res-loglikelihood-regressionIN A WORD:[[RLE CODE]]
why高斯热图的优势
全卷积的结构能够完整地保留位置信息，因此高斯热图的空间泛化能力更强。而回归方法因为最后需要将图片向量展开成一个长长的一维向量，reshape 过程中会对位置信息有所丢失。除此之外，全联接网络需要将位置信息转化为坐标值，对于这种隐晦的信息转化过程，其非线性是极强的，因此不好训练和收敛；
关节点之间存在相互联系。以脖子和肩膀为例，这两个地方常常会挨得比较近，因此空间上是存在相关性的。高斯热图可以在一张图中保留这种相关性，因此已知脖子的位置可以帮助估计肩膀，而已知肩膀的位置也能帮助估计脖子。但是，回归坐标时是对 ...