魔改专题
【 OpenHarmony 系统应用源码魔改 】-- Launcher 之「桌面布局定制」
前言 阅读本篇文章之前，有几个需要说明一下： 调试设备：平板，如果你是开发者手机，一样可以加 Log 调试，源码仍然是手机和平板一起分析；文章中的 Log 信息所显示的数值可能跟你的设备不一样，以你调试的数据为准。装个逼：目前好像 OH 社区或者其它开发者还没有针对 OH 的系统应用，比如 Launcher 写过非常深入的源码解析类文章，所以此类文章，仅供大家参考学习，如转载或引用，请标明出处
Generalized Focal Loss：Focal loss魔改以及预测框概率分布，保涨点 | NeurIPS 2020
为了高效地学习准确的预测框及其分布，论文对Focal loss进行拓展，提出了能够优化连续值目标的Generalized Focal loss，包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示，DFL通过对预测框位置进行general分布建模来提供更多的信息以及准确的预测。从实验结果来看，GF
红队攻防渗透技术实战流程：红队目标上线之webshell工具魔改
红队攻防免杀实战 1. 红队目标上线-Webshell免杀-源码魔改1.2 Webshell-代码混淆&流量绕过&工具原理1.2 通过对冰蝎的数据包分析：1.2魔改冰蝎-JAR反编译打包构建1.2魔改冰蝎-防识别-打乱特征指纹1.2魔改冰蝎-防查杀-新增加密协议 1. 红队目标上线-Webshell免杀-源码魔改 1.2 Webshell-代码混淆&流量绕过&工具原理 1、
魔改 Qt Creator 插件框架（附源码）
作者： 一去、二三里个人微信号： iwaleon微信公众号： 高效程序员 几年前，我曾写过一些插件相关的文章，其中最成体系的当属 CTK 系列，一共 18 个章节，从 0 到 1 讲述了模块化编程在 C++/Qt 中的实际应用。 很多小伙伴曾学过这个框架/库，但真正用起来的没有几个，究其原因有如下几个： 编译不过（还没开始就结束了 ） 搞不懂基本原理 不知道如何应用 认为没卵用（QT
字符串解析-KMP魔改
题目 已知存在一种字符串解析语法，其中的语法元素如下 N:用于匹配单个数字(0-9) A:用于匹配单个字母(a-z,A-Z) n():用于表示一个分组，分组中至少有一个N语法元素或者A语法元素，n为一个数值，表示匹配n次，1<=n<= 200 输入给定的解析语法和字符串，要求从中找到第一个满足解析语法的字符串 输入 输入两行数据: 第一行是给定的解析语法 第二行是目标字符串 解析语法的长度n
PyTorch如何修改模型（魔改）
文章目录 PyTorch如何修改模型（魔改）1.修改模型层(模型框架⭐)1.1通过继承修改模型1.2通过组合修改模型(重点学👀)1.3通过猴子补丁修改模型 2.添加外部输入3.添加额外输出参考 PyTorch如何修改模型（魔改） 对模型缝缝补补、修修改改，是我们必须要掌握的技能，本文详细介绍了如何修改PyTorch模型？也就是我们经常说的如何魔改。👍 PyTorch 的模
YOLOv7全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
💡💡💡本文独家改进： 变形条状卷积，DCNv3改进版本，不降低精度的前提下相比较DCNv3大幅度运算速度 💡💡💡强烈推荐：先到先得，paper级创新，直接使用； 💡💡💡创新点：1）去掉DCNv3中的Mask；2）空间域上的双线性插值转改为轴上的线性插值； 💡💡💡如何跟YOLOv7结合：1）直接放在IDetect前面 收录 YOLOv
YOLOv5全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
💡💡💡本文独家改进： 变形条状卷积，DCNv3改进版本，不降低精度的前提下相比较DCNv3大幅度运算速度 💡💡💡强烈推荐：先到先得，paper级创新，直接使用； 💡💡💡创新点：1）去掉DCNv3中的Mask；2）空间域上的双线性插值转改为轴上的线性插值； 💡💡💡如何跟YOLOv5结合：1）和C3创新性结合 改进1结构图如下： 收录
YOLOv9改进策略：卷积魔改 | SPD-Conv，低分辨率图像和小物体涨点明显
💡💡💡本文改进内容：SPD-Conv由一个空间到深度(SPD)层和一个无卷积步长(Conv)层组成,特别是在处理低分辨率图像和小物体等更困难的任务时。 💡💡💡SPD-Conv在多个数据集验证能够暴力涨点，适合急需要涨点的项目 YOLOv9魔术师专栏 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁
YOLOv9改进策略：卷积魔改 | DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测 | CVPR2024
💡💡💡本文改进内容： DCNv4来自CVPR2024 的论文，它不仅收敛速度明显快于DCNv3，而且正向速度提高了3倍以上。这一改进使DCNv4能够充分利用其稀疏特性，成为最快的通用核心视觉算子之一。 改进结构图如下： YOLOv9魔术师专栏 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁
YOLOv9改进策略：卷积魔改 | 分布移位卷积（DSConv）,提高卷积层的内存效率和速度
💡💡💡本文改进内容： YOLOv9如何魔改卷积进一步提升检测精度？提出了一种卷积的变体，称为DSConv（分布偏移卷积），其可以容易地替换进标准神经网络体系结构并且实现较低的存储器使用和较高的计算速度。 DSConv将传统的卷积内核分解为两个组件：可变量化内核（VQK）和分布偏移 yolov9-c-DSConv summary: 962 layers, 50999590 paramet
爬虫逆向实战(36)-某建设监管平台(RSA，魔改)
一、数据接口分析 主页地址：某建设监管平台 1、抓包 通过抓包可以发现网站首先是请求了一个/prod-api/mohurd-pub/vcode/genVcode的接口，用于获取滑块验证码的图片 滑块验证之后，请求了/prod-api/mohurd-pub/dataServ/findBaseEntDpPage这个接口，来获取数据 2、判断是否有加密参数 请求参数是否加密？ 通过查看“载
魔改Mongoose源文件，支持一次上传文件大于3M
修改read_conn文件 static long read_conn(struct mg_connection *c) {long n = -1;// if (c->recv.len >= MG_MAX_RECV_BUF_SIZE) {// mg_error(c, "max_recv_buf_size reached");// } else if (c->recv.size - c->re
魔改Mongoose源文件，以支持Python requests模块请求上传文件失败的问题
项目场景： 基于Mongoose搭建的Http服务器，利用Python requests模块请求上传文件 Mongoose version : v7.4 问题描述： 利用Python requests模块请求上传文件失败 upload.py: from urllib3 import encode_multipart
华硕Z170A魔改BIOS+E2286M+TPM2.0
0.本来只是想打算把家里残余的微星Z170UD3+7700KES 拯救一下，后面发现居然是板子的问题困扰我好久，当年高中生开机还真是要踢几脚… 1.然后后来把这些咸鱼都卖了，剩下几根2400MHZ DDR4（高频率内存条E2286M无法开机）的条子，看着这个老机箱，去哔哩哔哩买了个顶级的E2286M不用考虑超频，只需要准备一个可以魔改上E3系列的板子和主板带有8项供电=-=，记得提前购买PDD上的
el-table魔改样式出现BUG，表格内容区域出现滚动条
问题：el-table表格内容区域在高度自适应的情况下冒出滚动条 解决办法： 代码排查后发现时我设置了fixed:“xxx” 属性就会导致滚动条出现的问题，不设置则无。 [{ type: 'index', label: '序号', fixed: 'left' },{ prop: 'enterprisesName', label: '企业名称' },{ prop: 'orderAmount
onedriver网盘程序oneIndex默认主题nexmoe魔改美化版
站点预览 北忘山网盘 搭建网盘 搭建网盘请参照：onIndex超简单搭建oneDriver私人网盘 修改了什么？ 常规美化对于flac格式音乐加入图标显示 美化网盘 需要下载美化包，下载地址在文末 由于主题包内引用了外部文件，需要根据你的实际情况修改一下， 找到 nexmoe 下 layout.php 使用打开 修改 第7行 、第9行 第18行 pan.beiwangsh
RT-DETR优化：轻量化卷积设计 | DualConv双卷积魔改RT-DETR结构
🚀🚀🚀本文改进： DualConv双卷积魔改v8结构，达到轻量化的同时并能够实现小幅涨点 🚀🚀🚀RT-DETR改进创新专栏：http://t.csdnimg.cn/vuQTz 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研； RT-DETR模型创新优化，涨点技巧分享，科研小助手； 1.DualConv介绍 论文：https://arxiv.org/pdf
YOLOv8改进：轻量化卷积设计 | DualConv双卷积魔改v8结构
🚀🚀🚀本文改进： DualConv双卷积魔改v8结构，达到轻量化的同时并能够实现小幅涨点 🚀🚀🚀YOLOv8改进专栏：http://t.csdnimg.cn/hGhVK 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研； 1.DualConv介绍 论文：https://arxiv.org/pdf/2202.07481.pdf 摘要：CNN 架构通常对
python爬虫AES魔改案例：某音乐素材下载网
声明： 该文章为学习使用，严禁用于商业用途和非法用途，违者后果自负，由此产生的一切后果均与作者无关 一、找出需要加密的参数 js运行 atob(‘aHR0cHM6Ly93d3cuYWlnZWkuY29tL3NvdW5kL2NsYXNzLw==’) 拿到网址，F12打开调试工具，点击任意导航发送请求，找到 gei-common/jsonComp/f/awd/log.json 请求分析请求头、参数
YOLOv8创新魔改教程（二）如何添加注意力机制
YOLOv8创新魔改教程（二）如何添加注意力机制 （一）找代码 github找各种注意力机制的代码 （二）融合 1.创建文件 在ultralytics/nn/attention.py创建attention.py 文件 将找到的代码粘贴进来 2.修改task.py文件 打开 ultralytics/nn/tasks.py ，将注意力机制导入，名称就是注意力机制类的名称 在
YOLOv5独家原创改进：自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力 1）作为注意力MSAM使用； 推荐指数：五星 MSCA | 亲测在多个数据集能够实现涨点，对标CBAM。 在道路缺陷检测任务中，原始map为0.8，cbam为0.822 ，MSCA 为 0.855 收录
【参赛经验分享】Python 贪吃蛇魔改作品：Snague——方案及总结
我搬运我自己应该算原创吧 活动简介 高考完闲来无事, 发现Gitee官方举办了一个活动 —— Gitee星球的小活动 / Python 贪吃蛇魔改大赛. 正好我对编程和游戏感兴趣, 于是二话不说马上报名参赛了. 活动要求是参赛者修改经典游戏《贪吃蛇》, 发挥想象力, 添加有趣的内容, 制作一款全新的独特的贪吃蛇游戏. 在了解了活动规则后, 我于7月16号正式着手. 鄙人不才, 承蒙各位评
yolo fastest模型网络结构魔改
在将训练的yolo fastest模型部署移动端测试的时候，发现其中一个分支基本没有起作用，在训练的时候从日志也看出来了，打印的指标都是0，所以打算将网络的这个分支剥离掉。修改的方式就是将cfg文件中对应的分支去掉，只保留有用的那个分支。 虽然减少了一个分支，但是计算量并没有减少太多，在移动端提升大概1ms+。
377. 组合总和 Ⅳ 70.魔改爬楼梯
377. 组合总和 Ⅳ 题目： 给一个正整数数组和一个正整数目标值，数组的每个元素可取无限次，求总额达到目标值的最大排列数。 dp[j]含义： dp[j]：达到目标值j的整数组合数为dp[j] 递推公式： 求装满背包有几种方法（组合，排列数）用：dp[j] += dp[j - nums[i]]; 初始化: dp[0]=1 遍历顺序： 先物品后背包：最大组合数 先背包后物品：