目标智能跟踪与识别电子书

内容简介

丛书编委会

前言

第1章 概述

1.1 引言

1.2 目标跟踪的研究历程

1.3 目标识别的研究历程

1.4 目标跟踪与识别的主要挑战

1.5 人工智能时代下的发展新机遇

1.6 本书的范围和概貌

参考文献

第2章 人工智能基础

2.1 引言

2.2 机器学习基础

2.2.1 定义与历程

2.2.2 分类与术语

2.3 机器学习步骤

2.3.1 数据集构建

2.3.2 模型选择

2.3.3 模型训练

2.3.4 模型运用

2.4 机器学习典型算法

2.4.1 感知机

2.4.2 支持向量机

2.4.3 神经网络

2.4.4 集成学习

2.5 深度学习

2.5.1 概述

2.5.2 卷积神经网络

2.5.3 循环神经网络

2.5.4 图神经网络

2.5.5 生成对抗网络

2.5.6 扩散模型

2.5.7 Transformer模型

2.5.8 网络优化与正则化

2.5.9 迁移学习

2.5.10 注意力机制

2.5.11 神经网络的可视化

2.6 强化学习

2.6.1 概述

2.6.2 基本术语

2.6.3 Q-Learning算法

2.6.4 策略梯度算法

2.6.5 演员-评论家算法

2.7 小结

参考文献

第3章 结合式智能滤波方法

3.1 引言

3.2 目标跟踪的基础理论和模型

3.2.1 状态空间模型

3.2.2 贝叶斯滤波器

3.3 Kalman和深度学习混合驱动的目标跟踪算法

3.3.1 Kalman滤波器

3.3.2 端到端学习的推导

3.3.3 端到端学习的循环Kalman目标跟踪算法

3.3.4 数据集生成与算法训练

3.3.5 仿真实验与结果分析

3.4 IMM和深度学习混合驱动的目标跟踪算法

3.4.1 IMM算法

3.4.2 端到端学习的自适应IMM算法原理

3.4.3 数据集生成与算法训练

3.4.4 仿真实验与结果分析

3.5 算法性能综合对比分析

3.6 小结

参考文献

第4章 替换式智能滤波方法

4.1 引言

4.2 基于神经微分方程的单模型混合驱动目标跟踪算法

4.2.1 目标运动的随机微分方程

4.2.2 单模型混合驱动目标跟踪算法

4.2.3 数据集生成与算法训练

4.2.4 仿真实验与结果分析

4.3 基于神经微分方程的多模型混合驱动目标跟踪算法

4.3.1 单模型混合驱动目标跟踪算法的专一性

4.3.2 算法结构设计与训练

4.3.3 仿真实验与结果分析

4.4 算法性能综合对比分析

4.5 小结

参考文献

第5章 重构式智能滤波方法

5.1 引言

5.2 典型滤波计算结构分析

5.2.1 α -β 滤波计算结构分析

5.2.2 Kalman滤波计算结构分析

5.3 重构式智能滤波

5.3.1 典型神经网络结构

5.3.2 重构式智能滤波网络结构设计

5.3.3 重构式智能滤波网络简单实现

5.4 实验验证

5.4.1 仿真设置

5.4.2 仿真结果

5.5 小结

参考文献

第6章 基于强化学习的数据智能关联方法

6.1 引言

6.2 网络集成学习的数据关联网络架构

6.2.1 模型组成

6.2.2 USMA网络架构

6.2.3 训练网络与测试网络

6.2.4 仿真实验与结果分析

6.3 基于LSTM-RL网络的数据关联网络架构

6.3.1 网络架构

6.3.2 智能体设计

6.3.3 动作选择

6.3.4 奖励函数的定义

6.3.5 自适应调整机制

6.3.6 仿真实验与结果分析

6.4 小结

参考文献

第7章 端到端目标智能跟踪方法

7.1 引言

7.2 问题描述与算法分析

7.2.1 多目标跟踪问题描述

7.2.2 关联类目标跟踪框架

7.2.3 数据关联与跟踪滤波

7.2.4 DeepSTT网络设计原则

7.3 DeepSTT-B网络设计

7.3.1 DeepSTT-B网络

7.3.2 DeepSTT网络

7.3.3 跟踪实现

7.4 实验验证

7.4.1 仿真设置

7.4.2 仿真结果

7.5 小结

参考文献

第8章 无人艇平台视频多目标跟踪

8.1 引言

8.2 现有研究基础

8.2.1 基于检测的视频多目标跟踪

8.2.2 SORT算法

8.2.3 SIFT图像配准与RANSAC算法

8.3 无人艇视频多目标跟踪改进算法

8.3.1 基于图像配准的运动补偿算法S-R补偿

8.3.2 引入加速度参数的Kalman滤波

8.3.3 多级级联匹配

8.4 实验对比及分析

8.4.1 数据集构建

8.4.2 评估指标

8.4.3 消融实验

8.4.4 与其他SOTA算法的对比及分析

8.4.5 “杰瑞杯”海面RGB-T目标跟踪竞赛情况

8.5 小结

参考文献

第9章 航行特征机器学习目标识别方法

9.1 引言

9.2 航迹特征建模

9.2.1 平均航速

9.2.2 最大航速

9.2.3 高速航行比例

9.2.4 低速航行比例

9.2.5 加速机动因子

9.2.6 航向累计变化量

9.2.7 转向机动因子

9.3 航迹数据集构建

9.3.1 AIS数据

9.3.2 数据集构建流程

9.3.3 数据分析

9.4 分类器设计

9.5 实验对比及分析

9.5.1 特征量筛选

9.5.2 特征可视化分析

9.5.3 实验结果

9.6 小结

参考文献

第10章 航行特征深度学习目标识别方法

10.1 引言

10.2 基于贝叶斯-Transformer神经网络模型的目标识别方法

10.2.1 贝叶斯-Transformer神经网络模型

10.2.2 实验对比及分析

10.2.3 本节小结

10.3 融合情境信息的海面目标识别方法

10.3.1 情境信息建模

10.3.2 基于情境增强的航迹识别方法

10.3.3 实验对比及分析

10.3.4 本节小结

10.4 小结

参考文献

第11章 可见光遥感图像与SAR图像关联

11.1 引言

11.2 研究基础

11.2.1 SAR图像关联学习算法

11.2.2 有监督多源哈希关联算法

11.3 深度多源哈希算法DCMHN

11.3.1 图像变换机制

11.3.2 图像对训练策略

11.3.3 三元组哈希损失结构

11.4 实验对比及分析

11.4.1 SAR-可见光双模态遥感图像数据集

11.4.2 实验设置和评估标准

11.4.3 DCMHN算法有效性实验

11.4.4 参数分析

11.4.5 对比实验

11.5 小结

参考文献

第12章 可见光遥感图像与文本信息关联

12.1 引言

12.2 遥感图像与英文文本跨模态关联

12.2.1 研究基础

12.2.2 基于深度哈希的相似度矩阵辅助遥感图像跨模态关联方法

12.2.3 实验对比及分析

12.3 遥感图像与中文文本跨模态关联

12.3.1 研究基础

12.3.2 基于多粒度特征的遥感图像跨模态关联方法

12.3.3 实验对比及分析

12.4 小结

参考文献

第13章 遥感SAR图像与AIS信息关联

13.1 引言

13.2 研究基础

13.2.1 SAR图像与AIS信息关联方法

13.2.2 特征融合

13.3 基于深度特征融合的遥感图像与AIS信息关联方法

13.3.1 SAR图像特征表示

13.3.2 AIS信息特征表示

13.3.3 特征融合设计

13.4 实验对比及分析

13.4.1 数据集构建

13.4.2 实验设置

13.4.3 对比实验结果与分析

13.4.4 模型简化实验

13.5 小结

参考文献

第14章 遥感图像与文本间通用跨模态关联

14.1 引言

14.2 研究基础

14.2.1 Transformer相关介绍

14.2.2 对比学习方法

14.3 基于融合对比的遥感图像跨模态关联方法

14.3.1 遥感图像视觉特征表示

14.3.2 序列文本特征表示

14.3.3 跨模态信息融合

14.3.4 目标函数

14.4 实验对比及分析

14.4.1 实验设置及评价指标

14.4.2 对比实验结果与分析

14.4.3 模型有效性验证实验

14.4.4 关联检索结果展示与分析

14.5 小结

参考文献

第15章 航迹光电相关开源数据集

15.1 引言

15.2 基于全球AIS的多源航迹关联数据集

15.2.1 数据集构建

15.2.2 数据集展示

15.3 海上船舶目标多源数据集可见光图像部分

15.3.1 数据集构建

15.3.2 数据集展示

15.4 小结