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 基于開源數(shù)據(jù)的目標(biāo)分析內(nèi)容

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

2.1 開源數(shù)據(jù)簡介

2.1.1 開源數(shù)據(jù)研究現(xiàn)狀

2.1.2 開源文本數(shù)據(jù)采集

2.1.3 開源圖片數(shù)據(jù)采集

2.1.4 開源 AIS 數(shù)據(jù)采集

2.2 目標(biāo)實(shí)體識別方法

2.2.1 實(shí)體識別基本概念

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

2.2.3 實(shí)體識別的研究現(xiàn)狀和難點(diǎn)

2.2.4 實(shí)體識別的發(fā)展趨勢

2.2.5 基于大語言模型的目標(biāo)實(shí)體識別

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)檢測方法

2.4.1 目標(biāo)檢測常用框架

2.4.2 經(jīng)典目標(biāo)檢測方法

2.4.3 基于 YOLO V5 改進(jìn)的目標(biāo)檢測算法

第 3 章 基于開源數(shù)據(jù)的目標(biāo)跟蹤分析

3.1 目標(biāo)跟蹤簡介

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)活動事件線生成

第 4 章 目標(biāo)行為變化檢測分析

4.1 基于 AI 的變化檢測方法

4.1.1 基于 AI 的變化檢測實(shí)施過程

4.1.2 基于 AI 的變化檢測主要框架

4.2 基于圖像的目標(biāo)變化檢測

4.2.1 基于 STANet 的圖像變化檢測方法

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

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

4.3.1 數(shù)學(xué)描述

4.3.2 多變量時(shí)序異常檢測模型

第 5 章 目標(biāo)活動動向預(yù)測分析

5.1 基于事件的目標(biāo)動向預(yù)測

5.1.1 目標(biāo)活動事件圖構(gòu)建

5.1.2 基于協(xié)同模式的目標(biāo)事件預(yù)測

5.1.3 基于事件的目標(biāo)動向預(yù)測評估

5.2 基于軌跡的目標(biāo)動向預(yù)測

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)活動預(yù)測

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

第 6 章 面向開源情報(bào)的目標(biāo)分析案例

6.1 基于開源文本數(shù)據(jù)的目標(biāo)活動跟蹤分析

6.2 目標(biāo)活動異常告警分析

6.3 目標(biāo)活動預(yù)測案例分析

參考文獻(xiàn)

編輯