Skip to content
KitploitKITPLOIT
도구익스플로잇블로그
Log in
제출
도구익스플로잇블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

피드문의개인정보© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
도구/GitHubGitHub/ryh1218/occ
Machine LearningPapers & ResearchAI Security
GitHubryh1218/occ

Occ

폐색 인식 이중 레이어 모델링을 통한 금지 품목 분할(ICME 2025)

저장소 보기
6399개월 전아직 검토되지 않음
공유

폐색 인지 이중 레이어 모델링을 통한 금지 품목 분할 (ICME 2025)

폐색 인지 이중 레이어 모델링을 통한 금지 품목 분할의 공식 PyTorch 구현입니다.

논문 링크: IEEE, Arxiv.

시작하기

종속성

이 코드는 Linux에서 Pytorch 2.1.2 및 CUDA 11.8로 성공적으로 테스트되었습니다.

필요한 경우 numpy<2.0.0을 설치하세요(1.24.0 사용):

conda create -n occ python=3.10
conda activate occ
pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
pip install -U openmim
mim install mmcv==2.1.0
conda install mpi4py
pip install -U transformers==4.38.1 wandb==0.16.3 einops pycocotools shapely scipy terminaltables importlib peft==0.8.2 mat4py==0.6.0
conda install importlib-metadata

모델 가중치 준비

SAM 가중치(예: SAM-vit-large)를 미리 다운로드하고 'convert_model_weights.py'의 경로를 업데이트하세요. 가중치는 다음 스크립트를 사용하여 다운로드할 수 있습니다:

from transformers import SamModel
import os

hf_pretrain_name = "facebook/sam-vit-large"

cache_dir = f"{os.path.basename(hf_pretrain_name).replace('-', '_')}"
os.makedirs(cache_dir, exist_ok=True)

model = SamModel.from_pretrained(hf_pretrain_name, use_safetensors=False)
model.save_pretrained(cache_dir, safe_serialization=False)

그런 다음 'convert_model_weights.py' 스크립트를 실행하여 Occluder Mask Decoder용 초기 가중치를 생성하세요.

데이터셋 준비

다음 링크에서 데이터셋을 다운로드하세요. 참고로 PIXray는 COCO 형식으로 변환되었습니다:

PIDray-A

PIXray-A

사용자 정의 데이터셋 지원

'convert_occlusion_annotation.py'를 사용하여 COCO 형식 데이터셋에 대한 폐색 주석을 생성하세요. 자체 폐색 주석 데이터셋을 생성하려면 실행 전에 스크립트의 경로를 수정하세요.

구성 파일 수정

구성 파일 'configs/occlusion/pid.py' 및 'configs/occlusion/pix.py'의 경로를 설정에 맞게 업데이트하세요.

학습 및 테스트

이 코드는 다음 환경에서 성공적으로 테스트되었습니다:

  • 1 × NVIDIA A800 Tensor Core GPU

  • 8 × NVIDIA GeForce RTX 4090 GPUs

모델을 학습하려면:

# Single GPU, PIDray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pid.py 1
# Single GPU, PIXray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pix.py 1

# Multiple GPUs, PIDray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pid.py 8
# Multiple GPUs, PIXray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pix.py 8

모델을 테스트하려면 'CHECKPOINT_FILE'을 체크포인트 경로로 설정하고 'GPU_NUM'을 GPU 구성에 맞게 설정하세요:

# PIDray-A
bash ./tools/dist_test.sh configs/occlusion/pid.py {CHECKPOINT_FILE} {GPU_NUM}
# PIXray-A
bash ./tools/dist_test.sh configs/occlusion/pix.py {CHECKPOINT_FILE} {GPU_NUM}

또한 다음 링크에서 모델 체크포인트를 제공합니다: 체크포인트

감사의 말

이 구현은 다음을 기반으로 합니다:

  • RSPrompter

  • MMDetection

그들의 기여에 진심으로 감사드립니다.

논문 인용

@inproceedings{ren2025prohibited,
  title={Prohibited Items Segmentation via Occlusion-aware Bilayer Modeling},
  author={Ren, Yunhan and Li, Ruihuang and Liu, Lingbo and Chen,  Changwen},
  booktitle={2025 IEEE International Conference on Multimedia and Expo (ICME)},
  year={2025},
}
도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 궁극의 OSINT 툴킷: 조사 그래프, 신뢰도 점수 산정, 별칭 패밀리, 지도, 타임라인 및 보고서. 49개 모듈, 400개 이상 사이트, API 키 불필요.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # GhostLock 원탭 실행 앱 (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    LLM 멀티 에이전트 자율 침투 테스트 플랫폼으로, 플래너/워커 에이전트, 자산 및 탐색 그래프, MITM 트래픽 기록, 취약점 재테스트 기능을 제공합니다.

    369
  • 4

    redforge

    cybersecurity91/redforge

    브라우저 측 레드 팀 툴킷으로, 정찰, 페이로드 생성, 자격 증명 공격, 암호화, 인코딩 및 참여 보고를 위한 102개의 오프라인 도구를 제공합니다.

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    Shadowserver 보고서를 MongoDB로 수집하고 이를 대화형 지도, 분석, 발견 사항, 권고 및 경영진 대시보드로 재생하는 CSIRT 플랫폼입니다.

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI 네이티브 사이버보안을 위한 행동 체계—의도가 통제된 실행이 되고, 증거가 운영 메모리가 되며, 모든 운영이 다음 운영을 개선하는 곳.

    282

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →