AI也会“学新忘旧”？我国团队让人群计数模型“温故知新”，跨场景误差降15%

商场训练的AI，到地铁站就“失忆”？
你有没有过这样的经历：背单词时刚记住“abandon”，转头就忘了上周背的“accommodate”？人工智能模型也犯这种“健忘症”——在商场场景训练好的人群计数AI，换到地铁站就“失忆”，计数误差翻倍；学了新场景数据，旧场景的准确率暴跌50%。这就是困扰AI领域多年的“灾难性遗忘”难题。

想象一下，商场里的AI摄像头能精准数出客流（误差59.7人），可一旦用地铁站的数据继续训练，再回头数商场客流，误差直接飙到124.6人——相当于“学了第二课，第一课内容全忘光”。更麻烦的是跨场景“水土不服”：在明亮商场训练的模型，到光线昏暗的夜市，计数准确率骤降30%，因为人群密度、视角、背景差异太大，模型“认不出”新环境。传统模型要么“健忘”，要么得背着所有场景的数据“负重前行”（10个场景就要10倍存储），或者训练10个独立模型（地铁站一个、商场一个），部署成本高到“用不起”。

为啥AI这么“健忘”？三大“软肋”在作祟
传统人群计数模型的“健忘症”，根源藏在三个核心问题里。

首先是参数“黑板效应”：模型参数就像一块黑板，学新场景时会擦掉旧场景的“板书”。比如在SHA（商场）和SHB（地铁站）两个场景增量训练，传统模型在SHB上误差能控制在68.3人，但SHA的误差会从59.7人跌到124.6人，相当于“写新板书时，把旧板书擦得干干净净”。

其次是场景“认生”难题：不同场景的数据分布差太远——商场明亮稀疏，地铁站昏暗密集，模型就像“只见过白天鹅的人，看到黑天鹅就说不是天鹅”。单一域训练的模型，在没学过的场景（如广场、夜市）中，准确率能暴跌40%。

最后是存储“包袱”太重：要让模型记住所有场景，要么存下所有数据（存储开销随场景数量线性增长），要么训练多个独立模型，城市级部署时“模型比摄像头还多”，运维成本高到难以承受。

FLC框架：给AI请位“学习教练”，专治“学新忘旧”
近日，《Frontiers of Information Technology & Electronic Engineering》发表我国学者的研究，提出FLCB（Forget Less, Count Better）终身学习框架。这套技术就像给AI请了位“学习教练”，通过两大机制让模型“边学边复习”，彻底告别“金鱼记忆”。

“老师带学生”：让旧知识不被“擦掉”
训练新场景时，FLCB会把旧场景训练好的模型当“老师”，当前模型当“学生”。“老师”会把旧场景的“知识笔记”（特征层和输出层数据）传给“学生”，“学生”学新知识时必须同时“复习笔记”，确保新旧知识都掌握。比如在地铁站场景训练时，“学生”模型会对照“老师”（商场训练后的模型）的输出调整参数，就像学生边学新课文边翻旧笔记，避免“学一个忘一个”。

“学习计划表”：平衡“学新”与“温故”
传统模型只盯着新场景的“考试分数”（计数误差），FLCB则加了“复习分”（自蒸馏损失），用超参数λ平衡两者——λ就像“每日学习计划表”，学新内容时留30%时间复习旧内容，避免“只顾赶进度，忘了回头看”。这种平衡让模型在新场景训练时，既学好新知识，又不丢旧知识。

效果有多好？实测数据说话
这套“学习方法”到底行不行？研究团队在SHA、SHB、QNRF、NWPU四个真实场景数据集上做了测试，结果让人惊喜：

遗忘度“断崖式”下降
FLCB的“平均遗忘度”（归一化反向迁移nBwT，值越小遗忘越少）从传统方法的0.371降到了-0.010，相当于“从‘学完就忘’变成‘越复习越牢’”。部分场景甚至“旧知识掌握更扎实”：比如SFANet模型在商场场景的误差（MAE）从85.4人降到69.4人，准确率反升。

跨场景“认路”能力飙升
在没学过的JHU-Crowd++数据集上，FLCB的计数误差（MAE）达84.8人，比联合训练（89.8人）和传统终身学习方法（90.4人）都低，尤其在高密度、复杂遮挡场景（如春运地铁站）中，准确率比传统模型提升15%。

存储“减负”60%以上
FLCB不用存历史数据，单模型搞定多场景，存储开销降低60%以上，训练时间比联合训练缩短20%——相当于“从背着一书包课本上学，变成只带一本笔记本，轻装上阵”。

未来能去哪？从智慧城市到疫情防控
FLCB的突破不止于实验室，已在多个场景展现实用价值：

智慧城市：一个模型管遍商场、地铁、广场，动态监测客流，避免拥挤踩踏；
疫情防控：学了小区场景再学商场场景，人群聚集风险预警误差控制在10人以内；
数据隐私保护：在合成数据（GCC数据集）上训练后，对真实场景（如ShanghaiTech PartB）的泛化误差达16.1人，比传统合成转真实方法（CycleGAN，19.9人）更准，解决标注成本高、隐私数据难获取的难题。
当然，它也有“小缺点”：遇到极端稀疏（1-2人）或密集（2万人以上）人群，计数精度还有提升空间；目前还依赖标注数据，未来结合自监督学习，有望实现“无师自通”。

或许不久后，城市里的AI“计数员”会像老交警一样，无论晴天雨天、人多人少，都能准确“报数”，再也不会“学新忘旧”啦！

来源: 信息与电子工程前沿FITEE