张乐
- 作品数：11 被引量：46H指数：3
- 供职机构：燕山大学更多>>
- 发文基金：河北省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术一般工业技术电子电信交通运输工程更多>>
- 当代大学生旅游消费中的价值观引导研究
- 旅游为文化的传承提供了平台，为文化资源的开发提供了载体。十八大以来，旅游文化的繁荣发展吸引着越来越多的当代大学生在旅游过程中进行物质文化消费。当代大学生在旅游消费中所接收的多元多样的文化资源会对其价值观产生多层次多角度的...
- 张乐
- 关键词：当代大学生价值观旅游消费社会主义核心价值观
- 钙钛矿/金刚石微粉复合材料的制备技术研究及应用
- 胡婕黄浩焦体峰周靖欣张乐
- 该项目所属科学技术领域：无机复合材料的制备研究。
立项背景：中国金刚石微粉（<8μm）的年产量占世界总产量的90%左右，但微粉金刚石60%。以上应用在磨削或抛光领域。金刚石是由纯碳元素组成的一种矿物质，具有稳定的晶格结...
- 关键词：
- 关键词：无机复合材料
- 基于语义角色标注和强化学习的不完整指令的常识推理
- 随着社会的发展，人们对服务型机器人的需求越来越大，尤其是家庭服务机器人。通过自然语言处理的方法将不完整的自然语言指令解析成机器指令的问题也因此成为了研究课题之一，而解析的关键在于如何让模型识别不完整的自然语言指令并根据常...
- 张乐
- 关键词：常识推理语义角色标注
- 文献传递
- Au、Ag表面增强拉曼光谱基底设计及性能研究
- 表面增强拉曼散射（Surface Enhanced Raman Scattering，SERS）是一种与粗糙表面相关的表面增强效应,对拉曼信号有较好的增强效果。具有极高的检测灵敏性，对微/痕量物质可进行快速检测，已成为表...
- 张乐
- 两辊变径卷圆工艺的研究
- 两辊柔性卷圆技术是一种先进的弯曲技术，引进聚氨酯橡胶代替传统刚性辊，使零件的成形质量和精度有了很大程度的提高，在现阶段航空航天及汽车轻量化方面发挥着巨大作用。本文运用理论分析和数值模拟方法对两辊柔性卷圆变曲率工艺进行了探...
- 张乐
- 文献传递
- 一种车载摄像头稳像模拟装置
- 本申请属于自动驾驶技术领域，特别是涉及一种车载摄像头稳像模拟装置。现有的激光雷达和摄像头安装方式为设备与车辆刚性连接，车辆的运动状态会对其视觉感知产生一定的影响，将采集到视频质量变差。本申请提供了一种车载摄像头稳像模拟装...
- 李静罗进孙志静张乐
- 深度神经网络视频异常目标检测与定位算法研究
- 在智能化深入普及和公共安全被高度重视的今天，人们对于智能视频监控系统尤其是具有实现实时性海量视频数据处理能力的智能监控系统有迫切需求，视频异常检测技术持续成为图像处理、机器视觉的研究重点与热点，且在社会生活中发挥着越来越...
- 张乐
- 关键词：网络视频异常检测卷积神经网络
- 文献传递
- 时空深度特征AP聚类的稀疏表示视频异常检测算法被引量：10
- 2019年
- 针对异常行为检测问题,提出基于时空深度特征的AP聚类稀疏表示视频异常检测方法。由于视频序列中大量背景信息及有效信息分布不均匀的情况,首先利用光流结合非均匀的细胞分割对视频的运动目标进行提取并得到空间尺寸大小不同的时空兴趣块。其次利用三维卷积神经网络提取不同时空兴趣块的时空深度特征从而对原始视频序列进行三维描述。然后在字典学习时,采用AP聚类方法,将训练样本中具有代表性的特征作为字典,极大降低字典维度以及稀疏表示方法对计算内存的要求。本文将测试样本进行AP聚类后仅对具有代表性的聚类中心进行检测,在减少实验时间的同时削减了阈值对检测效果的敏感度。实验结果表明,与现有的检测方法相比本文方法具有优越性。
- 胡正平张乐张乐
- 关键词：异常检测
- 端对端SSD实时视频监控异常目标检测与定位算法被引量：10
- 2020年
- 为实现复杂场景下端对端实时视频监控异常目标检测与定位,借鉴目标检测思路,提出端对端SSD实时视频监控异常目标检测与定位算法。本算法在卷积神经网络6个不同尺度卷积特征图上采用2组3×3卷积核设置目标预选框得到异常分类及更加准确完整的异常目标边界框,完成异常检测一步式实现,同时该方法每秒可处理近58帧视频,满足实时性需要。本文算法在UCSD Ped1和Ped2中进行实验,并在3种不同评价准则下进行性能评估,在严格双像素准则下,Ped2中EER优于Cascade DNN 9.71%,优于Mohammad Sabokrou 13.41%,实验结果表明,本方法能够有效检测视频中异常行为且准确率较高。
- 胡正平张乐张乐赵梦瑶
- 关键词：异常检测目标检测端对端实时性
- 视频监控系统异常目标检测与定位综述被引量：23
- 2019年
- 近年来,随着视频监控系统的大量应用,人工的异常检测方法已难以适应视频数据的急剧增长,而3D特征描述、深度学习等最新技术不仅推动了计算机视觉领域的发展,也使得大规模的视频数据分析成为可能。目前基于视频监控系统的异常检测方法大致概括为两个方向:1)基于视频帧进行二维视觉特征提取并学习帧间信息,从而对视频目标进行时空表述。2)针对含有运动信息的时空兴趣块直接进行3D时空特征学习,并通过模式分类检测出异常及其所在位置。本文在对目前视频异常检测技术进行全面分析和总结的基础之上,对视频异常描述和视频异常分类两种任务模型中的已有方法与框架进行回顾,同时介绍了视频异常检测研究常用标准数据集及性能评估标准。
- 胡正平张乐张乐孙德纲
