warp

一、目标检测常见算法 object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。 然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 目前学术和工业界出现的目标检测算法分成3类： 1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化； 2. 候选区域/框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如： R-CNN（Selective Search + CNN + SVM） SPP-net（ROI Pooling） Fast R-CNN（Selective Search + CNN + ROI） Faster R-CNN（RPN + CNN + ROI） R-FCN 等系列方法； 3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近出现的结合RNN算法的RRC detection；结合DPM的Deformable CNN等 传统目标检测流程： 1）区域选择（穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高）

贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI 一名刚刚入职特斯拉的工程师，工作干了才十多天，就被公司告上了法庭。 特斯拉指控他说，从入职的第三天后，就开始盗窃公司重要的代码，将6300多个Python脚本文件上传到自己的Dropbox网盘中。 关键的是，这些代码之重要、敏感，据说可以让对手短时间“再造”一个特斯拉。 入职3天后，开始拷贝敏感文件 被指控的工程师名叫 Alex Khatilov ，去年12月28日入职特斯拉，职位是软件自动化工程师。 所谓软件自动化工程师，主要职责是负责运营维护公司的自动化流程软件。 而在特斯拉50000名左右的员工中，Alex Khatilov所在的自动化流程团队，大约有40人。 其中有权限访问底层脚本的只有8个人。 但起诉书没有说明Alex Khatilov的职位是否是这八个人之一。 总之，特斯拉内部的监测系统在今年1月6号首次检查到有未经授权的下载行为。 随后的调查中才发现，Alex Khatilov入职三天后，也就是从去年12月31日开始，往自己的云盘中拷贝了至少6300多个Python脚本文件。 当天，特斯拉就约谈了Alex Khatilov，但他坚称没有盗窃机密文件，说保存的都是和个人相关的行政类文件。 好说歹说，特斯拉终于促使Khatilov同意交出个人Dropbox的账号权限。于是，特斯拉就在云盘中找到了大量公司机密文件

次表面散射（ Subsurface Scattering ），简称 SSS ，或 3S ，是光射入非金属材质后在内部发生散射， 最后射出物体并进入视野中产生的现象， 即光从表面进入物体经过内部散射，然后又通过物体表面的其他顶点出射的光线传递过程。 图 次表面散射原理图示 图 真实环境中的次表面散射 要产生使人信服的皮肤和其他半透明材质的渲染效果，次表面散射（ Subsurface Scattering ）的 渲染效果十分重要。 图 有无次表面散射的渲染对比图（左图：使用次表面散射 | 右图：无次表面散射） 另外需要提出，在《神秘海域 4 》中皮肤的渲染效果，很令人惊艳。当然，《神秘海域 4 》中 令人惊艳的，远远不止皮肤的渲染。 图 基于次表面散射的皮肤渲染 @ 《神秘海域 4 》 本章即描述了次表面散射的几种实时近似方法，关于皮肤的渲染，也关于近似地去模拟透明材 质的几种不同方法。 【核心内容提炼】 4.1 次表面散射的视觉特性（ The Visual Effects of Subsurface Scattering ） 要重现出任何视觉效果，经常的做法是考察这种效果的图像，并把可视的外观分解为其组成要 素。在观察半透明物体的相片和图像时，能注意到如下几点，即次表面散射（ Subsurface Scattering ）的视觉特性： 1 、首先

GPU的光栅化模块之后，是一个工作量打包模块。这个模块负责将光栅化的结果（fragment）按照一定大小（N卡：warp32，A卡：wavefront64或wavefront32）打包，然后交给下面的处理阶段（PS） 这里需要注意的一个细节是，离散化的粒度虽然最终是像素级，但是在近代GPU当中，离散化模块输出的单位却不是单个像素，而是Quad（2x2像素）。其中的一个原因（可能并不是最根本的那个原因）是单个像素无法计算ddx、ddy，从而在PS当中判断选用贴图的MIPS层级会发生困难。当然，我也怀疑这可能与GPU当中贴图单元与计算单元配比等有关，亦或是和内部带宽有关，但是无从验证。 总之，对于当前主流的GPU来说，一个三角形至少会产生一个Quad。当三角形很小面积无法覆盖一个Quad的时候，未被覆盖的那些像素（准确来说是fragment）会被标志为无效，但是坑并不会让出来。 所以对于上一篇所举的那个dither的例子，一些位置上整个Quad被mask掉，而另外一些地方其实只是Quad里面的部分像素被标志为无效。 什么意思呢？就是其实PS工作量总的来说是减少了，但是并没有减少很多。如果用GPU抓帧工具来看，会发现很多warp/wavefront里面的thread不饱满，有的甚至里面只有几个thread。 就好像公司组织去旅游，包了6辆旅游巴士，结果当天1半人取消

一、初识Canvas.drawBitmapMesh() 1、方法介绍分析 先来看看 Android API 中对 drawBitmapMesh 方法的介绍： 这个方法的参数还不少， 下面稍微讲讲几个比较重要的参数的意思： bitmap：将要扭曲的图像 meshWidth：控制在横向上把该图像划成多少格 meshHeight：控制在纵向上把该图像划成多少格 verts：网格交叉点坐标数组，长度为(meshWidth + 1) * (meshHeight + 1) * 2 vertOffset：控制verts数组中从第几个数组元素开始才对bitmap进行扭曲 Android 中的 drawBitmapMesh() 方法与操纵像素点来改变色彩的原理类似。只不过是把图像分成一个个的小块，然后通过改变每一个图像块来改变整个图像。来看看下面这张经典的图像对比： 如上图，我们将图像分割成若干个图像块，在图像上横纵方向各划分成 N-1 格，而这横纵分割线就交织成了N*N个点，而每个点的坐标将以x1，y1，x2，y2，···，xn，yn的形式保存在 verts 数组里。也就是说，verts 数组中每两个元素保存一个交织点的位置，第一个保存横坐标，第二个保存纵坐标。 而 drawBitmapMesh() 方法改变图像的方式，就是通过改变这个 verts 数组里的元素的坐标值来重新定位对应的图像块的位置

OpenCV仿射变换——平移 OpenCV仿射变换——平移 OpenCV仿射变换——平移 公式及原理 OpenCV函数 实现代码 代码执行效果 公式及原理 定义原坐标为(x,y)，平移后(xoffect,yoffset)后的坐标为(x * ,y * ): 也就是说，原来在(x,y)位置的像素值，被平移到(x ’ ,y ’ )位置处，为方便计算机运算，可以写成矩阵样式： 在OpenCV中的防射变换矩阵 M 就是: OpenCV函数 通过cv::getAffineTransform函数得到变换矩阵 cv::Mat getAffineTransform(cv::InputArray src, cv::InputArray dst) 输入 InputArray src：表示输入的三个点 InputArray dstL:表示输出的三个点 返回 cv::Mat对象 通过cv::warpAffine得到平移或旋转的cv::Mat对象 void warpAffine(InputArray src, OutputArray dst, InputArray M, Size dsize, int flags=INTER_LINEAR, int borderMode=BORDER_CONSTANT, const Scalar& borderValue=Scalar()); src : Source

同事件分发一样，View的三大流程也是自定义控件中要重要掌握的知识点。View的三大流程指的是测量（measure）、布局（layout）和绘制（draw），测量流程的作用是度量控件尺寸，布局流程的根据测量流程中度量的尺寸来确定控件的摆放位置，绘制流程最终将控件绘制在屏幕上。 然而，对于View和ViewGroup的三大流程具体的实现又有所不同。 测量流程：对于View来说测量过程就是简单的测量自己的尺寸，而ViewGroup因为是容器会装有子元素，它的尺寸有可能和子元素尺寸相关（如果给ViewGroup指定为wrap_content），所以ViewGroup的测量流程首先做的是度量所有子元素的尺寸，接着根据子元素的尺寸来确定自己的尺寸。根据这样的分析我们就知道了View的测量流程是它的父容器的测量流程中完成的。 布局流程：对于View来说布局流程就是确定自己的位置，而ViewGroup的布局流程首先会确定自己的位置，再确定子元素在自己中的位置。因此View的布局流程也是在ViewGroup的布局流程中完成的。 绘制流程：对于View来说绘制流程就是绘制自己的内容，而ViewGroup是容器，绘制自己没有什么意义，子元素都绘制完毕那么它也就绘制完毕了，所以它的绘制流程就是让子元素去绘制自己。所以说View的绘制流程也是在它的父容器的绘制流程中完成的。

点击 上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 作者： 红薯好吃 https://zhuanlan.zhihu.com/p/86481492 本文仅做学术分享，如有侵权，请联系删除。 2019机器人顶会ICRA一篇关于可以满足移动设备的双目立体模型 代码地址： https://github.com/mileyan/AnyNet 论文题目 《Anytime Stereo Image Depth Estimation on Mobile Devices》 论文摘要： 许多用于机器人领域的深度估计方法都对实时性有很大的需求。目前sota模型面临在精度和实时性做出平衡的问题，加快推理速度往往会导致精度大幅度下降。针对这个问题，作者提出了一种高速推理模型。该模型能够处理1242x375分辨率的双目图片，在NVIDIA Jetson TX2上达到10-35FPS。在减少两个数量级参数情况下，仅仅比SOTA精度略微下降。 方法概述 图1 图1所示，是作者提出的AnyNet预测的时间线示意图，视差是随着时间逐步优化的。这个算法可以随时返回当前最优的视差。initial estimates即使精度不高，但是足以触发避障操作，之后的更优的深度图可以为更高级的路径规划提供线索。 AnyNet整体网络示意图如图2所示： 图2 AnyNet利用U-Net架构提取多分辨率级别下的特征

作者：raycp 原文链接： https://mp.weixin.qq.com/s/rJJYXIUWUh33G0KnvYT06w 终于到了这里，把qwb2019的这两题qemu逃逸题复现之后，qemu pwn的复现到这里就告一段落，接下来将会去分析几个qemu的cve。qwb初赛和决赛各有一道qemu逃逸题，初赛是 qwct ，决赛是 ExecChrome 。 因为通过前面的几题分析，对这类pwn题有了一定的掌握。部分分析过程可以省略，所以此次也是将两题写在了一起。 qwct 描述 文件目录： $ ll -rwxrw-rw- 1 raycp raycp 179 Aug 26 06 :01 launch.sh drwxr-xr-x 6 raycp raycp 4 .0K Sep 6 2017 pc-bios -rwxr-xr-x 1 raycp raycp 53M May 25 18 :07 QWCT_qemu-system-x86_64 -rw-rw-r-- 1 raycp raycp 3 .1M Aug 28 04 :42 rootfs.cpio -r-xr-xr-x 1 raycp raycp 8 .2M Jun 3 23 :37 vmlinuz-5.0.5-generic launch.sh 1 2 #!/bin/bash ./qemu-system-x86_64