贝叶斯知识迁移的完整方案：目标跟踪

从源目标跟踪及其模型顺序迁移到另一个贝叶斯滤波器的问题已变得普遍存在。由于缺乏能够捕获不同模型间依赖关系的结构模型，该迁移可能未被完全指定。在本文中，我们引入一种新颖的贝叶斯模型，其考虑了对象可从中选择并遵循模型的模型跳跃。我们的目标是在从源对象顺序迁移到目标对象的同时跟踪该对象的轨迹。主要思想是在跟踪对象并根据离散化动态系统估计运动对象状态参数的同时，推算动态模型。我们证明该过程能处理模型失配，因为它顺序修正预测模型。特别地，对于固定数量的运动模型，对象可在每个时间步学习应遵循何种运动。我们为每个模型采用先验模型，然后自适应修正从一个模型到另一个模型的变换，以在各种运动下鲁棒估计对象轨迹。更具体地，我们提出一种鲁棒贝叶斯方案来处理模型跳跃，并将其与马尔可夫链蒙特卡洛（MCMC）方法集成以从后验分布采样。我们通过实验展示了在所提方法中考虑模型跳跃对于贝叶斯迁移学习中学习任务间知识迁移的优势。