- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术那些事
via the serverTimezone configuration property
You must configure either the server or JDBC driver (via the 'serverTimezone' configuration property)
2K30发布于 2020-10-27 - 来自专栏Urahara Blog
Hacking via XXE
XML 指可扩展标记语言（EXtensible Markup Language），有点类似 HTML，但它与HTML的区别在于其设计宗旨是传输数据，而非显示数据。XML常被用来作为配置文件（spring、Struts2等）、文档结构说明文件（PDF、RSS等）、图片格式文件（SVG header）及数据传输共享。
78830发布于 2019-12-11 - 来自专栏网络安全攻防
Attacking Java RMI via SSRF
nobody:/:/sbin/nologin curl_user:x:100:101:Linux User,,,:/home/curl_user:/sbin/nologin Attacking JMX via
1.3K20编辑于 2022-09-07 - 来自专栏H&M的专栏
Xss Via Service Worker
Xss Via Service Worker 2021-05-04 00:05:00
65820编辑于 2022-08-10 - 来自专栏RokasYang
vCenter Server更新- Update via shell
镜像文件在6-8G左右，整体比较大，下载后可通过md5sum或sha1sum对比校验和是否和官网一致，这一步确保文件的完整性与一致性。
2K74编辑于 2022-05-22 - 来自专栏计算机视觉理论及其实现
Improved Traffic Surveillance via Detail Preserving
近年来，在深度卷积神经网络(CNNs)的帮助下，图像和视频监控在智能交通系统(ITS)中取得了长足的进展。 作为一种先进的感知方法，智能交通系统对视频监控中每一帧感兴趣的目标进行检测是其广泛的研究方向。 目前，在照明条件良好的白天场景等标准场景中，目标检测显示出了显著的效率和可靠性。 然而，在夜间等不利条件下，目标检测的准确性明显下降。 造成这一问题的主要原因之一是缺乏足够的夜间场景标注检测数据集。 本文提出了一种基于图像平移的目标检测框架，以解决在不利条件下目标检测精度下降的问题。 我们提出利用基于风格翻译的StyleMix方法获取白天图像和夜间图像对，作为夜间图像到日间图像转换的训练数据。 为了减少生成对抗网络(GANs)带来的细节破坏，我们提出了基于核预测网络(KPN)的方法来细化夜间到白天的图像翻译。 KPN网络与目标检测任务一起训练，使训练好的白天模型直接适应夜间车辆检测。 车辆检测实验验证了该方法的准确性和有效性。
1.2K10编辑于 2022-09-02 - 来自专栏张善友的专栏
LINQ via C# 系列文章
LINQ via C# Recently I am giving a series of talk on LINQ. the name “LINQ via C#” is copied from “ CLR via C# ”, one of my favorite books. The contents are: Introducing LINQ What Is LINQ LINQ via C# Events Posters Design 10 LINQ via C# via C# talks . Understanding LINQ to SQL (4) Data Retrieving Via Query Methods [ LINQ via C# series ] After understanding
1.8K50发布于 2018-01-30 - 来自专栏超级架构师
Sending Alerts for Sensor Data via the Bluemix IoT
As Ryan Baxter and I have blogged about, in our team we have built some nice drone demos via the Internet
647100发布于 2018-04-09 - 来自专栏VNF
Zerotier网卡NAT via iptables By HKL,
目前有10节点的Zerotier终端，部分终端也是其它子网的网关，那么通过这个网关的端口可以映射子网内其它主机的端口
1.6K30发布于 2020-07-22 - 来自专栏AutoML(自动机器学习)
AttentiveNAS： Improving Neural Architecture Search via Attentive Sampling
该篇论文（AttentiveNAS）聚焦的是Two-stage NAS，比较出名的算法有 BigNAS，Once-for-all NAS (OFA)， SPOS等等，不过他们都采用的uniform的采样去训练Supernet，即把所有的子网一视同仁，尽可能分配相等的采样机会。Two-stage NAS算法通常包含如下两个步骤：
86620编辑于 2022-05-11 - 来自专栏计算机视觉理论及其实现
Continuous Adaptation via Meta-Learning in Nonstationary and Competitive
文章链接：https://arxiv.org/pdf/1710.03641.pdf
1.7K20编辑于 2022-09-04 - 来自专栏网络安全攻防
Request Smuggling Via HTTP2 Cleartext
HTTP请求走私的"复兴"导致了我们现代应用程序部署中的破坏性漏洞，通过边缘服务器验证走私的HTTP请求可能会导致严重后果，包括伪造的内部标头、访问内部管理端点以及各种特权升级机会 HTTP/2(或HTTP/3)是解决我们面临的请求走私问题的一个很有前途的解决方案，但对HTTP/1.1的支持不会很快消失，与此同时我们仍然会收到HTTP/1.1的更多惊喜 在这篇文章中，我演示了如何通过明文(h2c)连接将HTTP/1.1连接升级到鲜为人知的HTTP/2，从而绕过反向代理访问控制并直接向后端服务器提供长期、无限制的HTTP流量
1.6K10编辑于 2022-12-22 - 来自专栏剑指工控
SLC-505 - Unsolicited Write Message to RSLinx via Ethernet
1. 在RSLinx里打开Configure Driver，添加SLC 处理器的IP地址。
80510发布于 2021-11-09 - 来自专栏安全基础
JIT测试：Validating JIT Compilers via Compilation Space Exploration
方法集合了苏老师很多过往优秀文章的思想，推荐大家阅读一下Compiler Validation via Equivalence Modulo Inputs，Skeletal Program Enumeration 通过template测试jvm的文章 Compiler Testing via Template Java Programs.
63810编辑于 2023-09-14 - 来自专栏瓜大三哥
Face Recognition via Deep Embedding(0.9977)：baidu
作者提出了一种两部学习方法，结合mutil-patch deep CNN和deep metric learning,实现脸部特征提取和识别。通过1.2million(18000个个体）的训练集训练，该
1.3K80发布于 2018-02-26 - 来自专栏CreateAMind
End-to-end Driving via Conditional Imitation Learning
https://arxiv.org/abs/1710.02410 End-to-end Driving via Conditional Imitation Learning Felipe Codevilla However, driving policies trained via imitation learning cannot be controlled at test time.
97530发布于 2018-07-24 - 来自专栏计算机视觉理论及其实现
Diverse Image-to-Image Translation via Disentangled Representations
摘要：图像到图像的翻译主要学习两个视觉域之间的映射关系。主要有两个挑战：1）缺少对齐的成对的训练数据2）和对于一个输入图片的多种可能输出。这篇文章中，提出了基于解开表示disentangled representation的，在没有成对训练数据情况下，产生多样的输出。为了实现多样性，将图片分解为两个空间：一个域不变的内容空间来捕捉不同域之间的共享信息，和属性空间的特殊域。此模型从给定图片中提取解码的内容特征以及从属性空间中采样的属性向量来在测试阶段产生多样性图片。为了解决数据不成对问题，我们提出了一个新的基于解开表示的交叉循环一致性损失cross-cycle consistency loss。质量评估显示在没有成对训练数据的情况下我们能生成多样真实的图片。在量化比较中，我们用用户学习来评价真实性以及用感知距离度量来评价多样性。在MNIST-M和LineMod数据集上的应用性与其他先进算法的比较中具有有竞争力的表现。
2.1K10编辑于 2022-09-02 - 来自专栏CreateAMind
End-to-end Driving via Conditional Imitation Learning
https://arxiv.org/abs/1710.02410 End-to-end Driving via Conditional Imitation Learning Felipe Codevilla However, driving policies trained via imitation learning cannot be controlled at test time.
59610发布于 2018-07-24 - 来自专栏图与推荐
NeuralPS20 | Graph Meta Learning via Local Subgraphs
论文题目 Graph Meta Learning via Local Subgraphs 论文时间 NeuralPS 2020 2.
48630发布于 2021-11-09 - 来自专栏SnailTyan
Visual Tracking via Adaptive Structural Local Sparse Appearance Model
Visual Tracking via Adaptive Structural Local Sparse Appearance Model 使用自适应的结构化局部外观模型的视觉跟踪 Abstract—— Robust face recognition via sparse representation. PAMI, 31(2):210–227,2009. [16] X. Mei and H. should be best described by the first element of v1 as it should have the largest coefficient value (via Robust face recognition via sparse representation. PAMI, 31(2):210–227,2009. [22] J. Yang, K.
2K20编辑于 2022-05-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号