目錄

第 1 章 目標分析技術(shù)的發(fā)展

1.1 目標分析內(nèi)涵

1.2 目標分析技術(shù)的發(fā)展

1.3 基于開源數(shù)據(jù)的目標分析內(nèi)容

第 2 章 目標分析的開源數(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 目標實體識別方法

2.2.1 實體識別基本概念

2.2.2 實體識別的價值和應用領(lǐng)域

2.2.3 實體識別的研究現(xiàn)狀和難點

2.2.4 實體識別的發(fā)展趨勢

2.2.5 基于大語言模型的目標實體識別

2.3 事件抽取方法

2.3.1 事件抽取基本概念

2.3.2 事件抽取的評價指標

2.3.3 事件抽取基準數(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 基于圖像的目標檢測方法

2.4.1 目標檢測常用框架

2.4.2 經(jīng)典目標檢測方法

2.4.3 基于 YOLO V5 改進的目標檢測算法

第 3 章 基于開源數(shù)據(jù)的目標跟蹤分析

3.1 目標跟蹤簡介

3.2 傳統(tǒng)的基于圖像的目標跟蹤方法

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 字典學習

3.3 基于深度學習的目標跟蹤方法

3.3.1 卷積神經(jīng)網(wǎng)絡

3.3.2 學生神經(jīng)網(wǎng)絡

3.3.3 典型的深度學習跟蹤算法

3.3.4 其他方法

3.4 基于事件序列的目標跟蹤方法

3.4.1 事件融合

3.4.2 目標活動事件線生成

第 4 章 目標行為變化檢測分析

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)絡的半監(jiān)督圖像異常檢測

4.3 基于時序數(shù)據(jù)的目標異常變化檢測

4.3.1 數(shù)學描述

4.3.2 多變量時序異常檢測模型

第 5 章 目標活動動向預測分析

5.1 基于事件的目標動向預測

5.1.1 目標活動事件圖構(gòu)建

5.1.2 基于協(xié)同模式的目標事件預測

5.1.3 基于事件的目標動向預測評估

5.2 基于軌跡的目標動向預測

5.2.1 軌跡數(shù)據(jù)預處理

5.2.2 基于軌跡相似度的目標活動預測

5.2.3 基于深度學習的目標活動預測

第 6 章 面向開源情報的目標分析案例

6.1 基于開源文本數(shù)據(jù)的目標活動跟蹤分析

6.2 目標活動異常告警分析

6.3 目標活動預測案例分析

參考文獻

編輯