目錄

第 1 章 目標(biāo)分析技術(shù)的發(fā)展

1.1 目標(biāo)分析內(nèi)涵

1.2 目標(biāo)分析技術(shù)的發(fā)展

1.3 基于開(kāi)源數(shù)據(jù)的目標(biāo)分析內(nèi)容

第 2 章 目標(biāo)分析的開(kāi)源數(shù)據(jù)與基礎(chǔ)方法

2.1 開(kāi)源數(shù)據(jù)簡(jiǎn)介

2.1.1 開(kāi)源數(shù)據(jù)研究現(xiàn)狀

2.1.2 開(kāi)源文本數(shù)據(jù)采集

2.1.3 開(kāi)源圖片數(shù)據(jù)采集

2.1.4 開(kāi)源 AIS 數(shù)據(jù)采集

2.2 目標(biāo)實(shí)體識(shí)別方法

2.2.1 實(shí)體識(shí)別基本概念

2.2.2 實(shí)體識(shí)別的價(jià)值和應(yīng)用領(lǐng)域

2.2.3 實(shí)體識(shí)別的研究現(xiàn)狀和難點(diǎn)

2.2.4 實(shí)體識(shí)別的發(fā)展趨勢(shì)

2.2.5 基于大語(yǔ)言模型的目標(biāo)實(shí)體識(shí)別

2.3 事件抽取方法

2.3.1 事件抽取基本概念

2.3.2 事件抽取的評(píng)價(jià)指標(biāo)

2.3.3 事件抽取基準(zhǔn)數(shù)據(jù)集

2.3.4 事件抽取常用方法

2.3.5 基于閱讀理解的事件抽取

2.4 基于圖像的目標(biāo)檢測(cè)方法

2.4.1 目標(biāo)檢測(cè)常用框架

2.4.2 經(jīng)典目標(biāo)檢測(cè)方法

2.4.3 基于 YOLO V5 改進(jìn)的目標(biāo)檢測(cè)算法

第 3 章 基于開(kāi)源數(shù)據(jù)的目標(biāo)跟蹤分析

3.1 目標(biāo)跟蹤簡(jiǎn)介

3.2 傳統(tǒng)的基于圖像的目標(biāo)跟蹤方法

3.2.1 光流法

3.2.2 卡爾曼濾波器

3.2.3 粒子濾波

3.2.4 均值漂移

3.2.5 稀疏編碼

3.2.6 字典學(xué)習(xí)

3.3 基于深度學(xué)習(xí)的目標(biāo)跟蹤方法

3.3.1 卷積神經(jīng)網(wǎng)絡(luò)

3.3.2 學(xué)生神經(jīng)網(wǎng)絡(luò)

3.3.3 典型的深度學(xué)習(xí)跟蹤算法

3.3.4 其他方法

3.4 基于事件序列的目標(biāo)跟蹤方法

3.4.1 事件融合

3.4.2 目標(biāo)活動(dòng)事件線生成

第 4 章 目標(biāo)行為變化檢測(cè)分析

4.1 基于 AI 的變化檢測(cè)方法

4.1.1 基于 AI 的變化檢測(cè)實(shí)施過(guò)程

4.1.2 基于 AI 的變化檢測(cè)主要框架

4.2 基于圖像的目標(biāo)變化檢測(cè)

4.2.1 基于 STANet 的圖像變化檢測(cè)方法

4.2.2 基于自編碼網(wǎng)絡(luò)的半監(jiān)督圖像異常檢測(cè)

4.3 基于時(shí)序數(shù)據(jù)的目標(biāo)異常變化檢測(cè)

4.3.1 數(shù)學(xué)描述

4.3.2 多變量時(shí)序異常檢測(cè)模型

第 5 章 目標(biāo)活動(dòng)動(dòng)向預(yù)測(cè)分析

5.1 基于事件的目標(biāo)動(dòng)向預(yù)測(cè)

5.1.1 目標(biāo)活動(dòng)事件圖構(gòu)建

5.1.2 基于協(xié)同模式的目標(biāo)事件預(yù)測(cè)

5.1.3 基于事件的目標(biāo)動(dòng)向預(yù)測(cè)評(píng)估

5.2 基于軌跡的目標(biāo)動(dòng)向預(yù)測(cè)

5.2.1 軌跡數(shù)據(jù)預(yù)處理

5.2.2 基于軌跡相似度的目標(biāo)活動(dòng)預(yù)測(cè)

5.2.3 基于深度學(xué)習(xí)的目標(biāo)活動(dòng)預(yù)測(cè)

第 6 章 面向開(kāi)源情報(bào)的目標(biāo)分析案例

6.1 基于開(kāi)源文本數(shù)據(jù)的目標(biāo)活動(dòng)跟蹤分析

6.2 目標(biāo)活動(dòng)異常告警分析

6.3 目標(biāo)活動(dòng)預(yù)測(cè)案例分析

參考文獻(xiàn)

編輯