目錄
第1章 概述 1
1.1　引言 1
1.2　目標跟蹤的研究歷程 2
1.3　目標識別的研究歷程 11
1.4　目標跟蹤與識別的主要挑戰(zhàn) 13
1.5　人工智能時代下的發(fā)展新機遇 16
1.6　本書的范圍和概貌 21
參考文獻 24
第2章 人工智能基礎(chǔ) 26
2.1　引言 26
2.2　機器學(xué)習(xí)基礎(chǔ) 26
2.2.1 定義與歷程 26
2.2.2 分類與術(shù)語 28
2.3　機器學(xué)習(xí)步驟 30
2.3.1 數(shù)據(jù)集構(gòu)建 30
2.3.2 模型選擇 30
2.3.3 模型訓(xùn)練 31
2.3.4 模型運用 33
2.4　機器學(xué)習(xí)典型算法 33
2.4.1 感知機 33
2.4.2 支持向量機 35
2.4.3 神經(jīng)網(wǎng)絡(luò) 38
2.4.4 集成學(xué)習(xí) 38
2.5　深度學(xué)習(xí) 42
2.5.1 概述 42
2.5.2 卷積神經(jīng)網(wǎng)絡(luò) 42
2.5.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 44
2.5.4 圖神經(jīng)網(wǎng)絡(luò) 46
2.5.5 生成對抗網(wǎng)絡(luò) 47
2.5.6 擴散模型 47
2.5.7 Transformer模型 50
2.5.8 網(wǎng)絡(luò)優(yōu)化與正則化 53
2.5.9 遷移學(xué)習(xí) 54
2.5.10 注意力機制 54
2.5.11 神經(jīng)網(wǎng)絡(luò)的可視化 54
2.6　強化學(xué)習(xí) 55
2.6.1 概述 55
2.6.2 基本術(shù)語 55
2.6.3 Q-Learning算法 56
2.6.4 策略梯度算法 57
2.6.5 演員-評論家算法 58
2.7　小結(jié) 59
參考文獻 59
第3章 結(jié)合式智能濾波方法 61
3.1　引言 61
3.2　目標跟蹤的基礎(chǔ)理論和模型 62
3.2.1 狀態(tài)空間模型 62
3.2.2 貝葉斯濾波器 63
3.3　Kalman和深度學(xué)習(xí)混合驅(qū)動的目標跟蹤算法 64
3.3.1 Kalman濾波器 64
3.3.2 端到端學(xué)習(xí)的推導(dǎo) 65
3.3.3 端到端學(xué)習(xí)的循環(huán)Kalman目標跟蹤算法 69
3.3.4 數(shù)據(jù)集生成與算法訓(xùn)練 71
3.3.5 仿真實驗與結(jié)果分析 74
3.4　IMM和深度學(xué)習(xí)混合驅(qū)動的目標跟蹤算法 81
3.4.1 IMM算法 81
3.4.2 端到端學(xué)習(xí)的自適應(yīng)IMM算法原理 82
3.4.3 數(shù)據(jù)集生成與算法訓(xùn)練 85
3.4.4 仿真實驗與結(jié)果分析 86
3.5　算法性能綜合對比分析 92
3.6　小結(jié) 96
參考文獻 96
第4章 替換式智能濾波方法 99
4.1　引言 99
4.2　基于神經(jīng)微分方程的單模型混合驅(qū)動目標跟蹤算法 100
4.2.1 目標運動的隨機微分方程 100
4.2.2 單模型混合驅(qū)動目標跟蹤算法 101
4.2.3 數(shù)據(jù)集生成與算法訓(xùn)練 105
4.2.4 仿真實驗與結(jié)果分析 106
4.3　基于神經(jīng)微分方程的多模型混合驅(qū)動目標跟蹤算法 113
4.3.1 單模型混合驅(qū)動目標跟蹤算法的專一性 113
4.3.2 算法結(jié)構(gòu)設(shè)計與訓(xùn)練 115
4.3.3 仿真實驗與結(jié)果分析 116
4.4　算法性能綜合對比分析 121
4.5　小結(jié) 124
參考文獻 124
第5章 重構(gòu)式智能濾波方法 126
5.1　引言 126
5.2　典型濾波計算結(jié)構(gòu)分析 126
5.2.1 ? -? 濾波計算結(jié)構(gòu)分析 126
5.2.2 Kalman濾波計算結(jié)構(gòu)分析 127
5.3　重構(gòu)式智能濾波 129
5.3.1 典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 129
5.3.2 重構(gòu)式智能濾波網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 131
5.3.3 重構(gòu)式智能濾波網(wǎng)絡(luò)簡單實現(xiàn) 132
5.4　實驗驗證 133
5.4.1 仿真設(shè)置 133
5.4.2 仿真結(jié)果 135
5.5　小結(jié) 141
參考文獻 142
第6章 基于強化學(xué)習(xí)的數(shù)據(jù)智能關(guān)聯(lián)方法 143
6.1　引言 143
6.2　網(wǎng)絡(luò)集成學(xué)習(xí)的數(shù)據(jù)關(guān)聯(lián)網(wǎng)絡(luò)架構(gòu) 143
6.2.1 模型組成 144
6.2.2 USMA網(wǎng)絡(luò)架構(gòu) 146
6.2.3 訓(xùn)練網(wǎng)絡(luò)與測試網(wǎng)絡(luò) 149
6.2.4 仿真實驗與結(jié)果分析 151
6.3　基于LSTM-RL網(wǎng)絡(luò)的數(shù)據(jù)關(guān)聯(lián)網(wǎng)絡(luò)架構(gòu) 161
6.3.1 網(wǎng)絡(luò)架構(gòu) 162
6.3.2 智能體設(shè)計 162
6.3.3 動作選擇 164
6.3.4 獎勵函數(shù)的定義 165
6.3.5 自適應(yīng)調(diào)整機制 166
6.3.6 仿真實驗與結(jié)果分析 167
6.4　小結(jié) 174
參考文獻 174
第7章 端到端目標智能跟蹤方法 177
7.1　引言 177
7.2　問題描述與算法分析 178
7.2.1 多目標跟蹤問題描述 178
7.2.2 關(guān)聯(lián)類目標跟蹤框架 179
7.2.3 數(shù)據(jù)關(guān)聯(lián)與跟蹤濾波 179
7.2.4 DeepSTT網(wǎng)絡(luò)設(shè)計原則 181
7.3　DeepSTT-B網(wǎng)絡(luò)設(shè)計 182
7.3.1 DeepSTT-B網(wǎng)絡(luò) 182
7.3.2 DeepSTT網(wǎng)絡(luò) 184
7.3.3 跟蹤實現(xiàn) 185
7.4　實驗驗證 187
7.4.1 仿真設(shè)置 187
7.4.2 仿真結(jié)果 188
7.5　小結(jié) 194
參考文獻 195
第8章 無人艇平臺視頻多目標跟蹤 197
8.1　引言 197
8.2　現(xiàn)有研究基礎(chǔ) 197
8.2.1 基于檢測的視頻多目標跟蹤 197
8.2.2 SORT算法 198
8.2.3 SIFT圖像配準與RANSAC算法 200
8.3　無人艇視頻多目標跟蹤改進算法 201
8.3.1 基于圖像配準的運動補償算法S-R補償 201
8.3.2 引入加速度參數(shù)的Kalman濾波 203
8.3.3 多級級聯(lián)匹配 205
8.4　實驗對比及分析 206
8.4.1 數(shù)據(jù)集構(gòu)建 206
8.4.2 評估指標 207
8.4.3 消融實驗 208
8.4.4 算法改進前后跟蹤結(jié)果可視化分析 208
8.4.5 與其他SOTA算法的對比及分析 211
8.5　小結(jié) 213
參考文獻 213
第9章 航行特征機器學(xué)習(xí)目標識別方法 215
9.1　引言 215
9.2　航跡特征建模 216
9.2.1 平均航速 216
9.2.2 最大航速 216
9.2.3 高速航行比例 216
9.2.4 低速航行比例 217
9.2.5 加速機動因子 217
9.2.6 航向累計變化量 217
9.2.7 轉(zhuǎn)向機動因子 218
9.3　航跡數(shù)據(jù)集構(gòu)建 219
9.3.1 AIS數(shù)據(jù) 219
9.3.2 數(shù)據(jù)集構(gòu)建流程 221
9.3.3 數(shù)據(jù)分析 224
9.4　分類器設(shè)計 225
9.5　實驗對比及分析 225
9.5.1 特征量篩選 225
9.5.2 特征可視化分析 226
9.5.3 實驗結(jié)果 226
9.6　小結(jié) 228
參考文獻 228
第10章 航行特征深度學(xué)習(xí)目標識別方法 231
10.1　引言 231
10.2　基于貝葉斯-Transformer神經(jīng)網(wǎng)絡(luò)模型的目標識別方法 231
10.2.1 貝葉斯-Transformer神經(jīng)網(wǎng)絡(luò)模型 231
10.2.2 實驗對比及分析 235
10.2.3 本節(jié)小結(jié) 241
10.3　融合情境信息的海面目標識別方法 242
10.3.1 情境信息建模 242
10.3.2 基于情境增強的航跡識別方法 246
10.3.3 實驗對比及分析 247
10.3.4 本節(jié)小結(jié) 253
10.4　小結(jié) 253
參考文獻 254
第11章 可見光遙感圖像與SAR圖像關(guān)聯(lián) 256
11.1　引言 256
11.2　研究基礎(chǔ) 257
11.2.1 SAR圖像關(guān)聯(lián)學(xué)習(xí)算法 257
11.2.2 有監(jiān)督多源哈希關(guān)聯(lián)算法 258
11.3　深度多源哈希算法DCMHN 258
11.3.1 圖像變換機制 259
11.3.2 圖像對訓(xùn)練策略 260
11.3.3 三元組哈希損失結(jié)構(gòu) 261
11.4　實驗對比及分析 262
11.4.1 SAR-可見光雙模態(tài)遙感圖像數(shù)據(jù)集 262
11.4.2 實驗設(shè)置和評估標準 263
11.4.3 DCMHN算法有效性實驗 264
11.4.4 參數(shù)分析 267
11.4.5 對比實驗 269
11.5　小結(jié) 270
參考文獻 271
第12章 可見光遙感圖像與文本信息關(guān)聯(lián) 273
12.1　引言 273
12.2　遙感圖像與英文文本跨模態(tài)關(guān)聯(lián) 273
12.2.1 研究基礎(chǔ) 274
12.2.2 基于深度哈希的相似度矩陣輔助遙感圖像跨模態(tài)關(guān)聯(lián)方法 274
12.2.3 實驗對比及分析 278
12.3　遙感圖像與中文文本跨模態(tài)關(guān)聯(lián) 283
12.3.1 研究基礎(chǔ) 285
12.3.2 基于多粒度特征的遙感圖像跨模態(tài)關(guān)聯(lián)方法 286
12.3.3 實驗對比及分析 290
12.4　小結(jié) 294
參考文獻 295
第13章 遙感SAR圖像與AIS信息關(guān)聯(lián) 297
13.1　引言 297
13.2　研究基礎(chǔ) 298
13.2.1 SAR圖像與AIS信息關(guān)聯(lián)方法 298
13.2.2 特征融合 298
13.3　基于深度特征融合的遙感圖像與AIS信息關(guān)聯(lián)方法 299
13.3.1 SAR圖像特征表示 300
13.3.2 AIS信息特征表示 301
13.3.3 特征融合設(shè)計 302
13.4　實驗對比及分析 304
13.4.1 數(shù)據(jù)集構(gòu)建 304
13.4.2 實驗設(shè)置 305
13.4.3 對比實驗結(jié)果與分析 305
13.4.4 模型簡化實驗 307
13.5　小結(jié) 308
參考文獻 308
第14章 遙感圖像與文本間通用跨模態(tài)關(guān)聯(lián) 310
14.1　引言 310
14.2　研究基礎(chǔ) 310
14.2.1 Transformer相關(guān)介紹 310
14.2.2 對比學(xué)習(xí)方法 311
14.3　基于融合對比的遙感圖像跨模態(tài)關(guān)聯(lián)方法 311
14.3.1 遙感圖像視覺特征表示 313
14.3.2 序列文本特征表示 314
14.3.3 跨模態(tài)信息融合 314
14.3.4 目標函數(shù) 315
14.4　實驗對比及分析 317
14.4.1 實驗設(shè)置及評價指標 317
14.4.2 對比實驗結(jié)果與分析 317
14.4.3 模型有效性驗證實驗 321
14.4.4 關(guān)聯(lián)檢索結(jié)果展示與分析 323
14.5　小結(jié) 327
參考文獻 327