让AI像人类一样“温故知新”：我国终身学习框架破解人群计数“健忘症”

来源：信息与电子工程前沿FITEE 发布时间：2025-10-20

AI的记忆革命

从“学一个忘一个”到“边学边复习”：AI的记忆革命
在商场的监控屏幕上，AI能精准数出客流（误差59.7人）；可换到地铁站，误差突然飙到124.6人——这不是AI“偷懒”，而是它犯了“学新忘旧”的毛病。就像学生刚背会英语单词，转头就忘了数学公式，传统人群计数模型总在“学新场景”时“丢旧知识”。近日，我国学者在《Frontiers of Information Technology & Electronic Engineering》发表研究，提出FLCB（Forget Less, Count Better）终身学习框架，让AI学会“温故知新”：通过“复习笔记”式自蒸馏和“学习计划表”式平衡策略，跨场景计数误差降低15%，存储开销减少60%以上，给智慧城市装上“不健忘”的人流统计大脑。

传统AI的“三大记忆难题”
为啥AI总记不住旧知识？藏着三个“记忆坑”：

“黑板擦效应”：模型参数就像黑板，学新场景时会擦掉旧内容。比如用商场（SHA）和地铁站（SHB）数据依次训练，传统模型在地铁站误差能压到68.3人，回头测商场却从59.7人飙到124.6人，相当于“写新板书时，把旧板书擦得干干净净”。

“认生”难题：不同场景的人群分布差太远——商场明亮稀疏，火车站昏暗密集。单一场景训练的模型，到夜市、体育馆等新场景，准确率骤降40%，好比“只见过金毛的人，看到哈士奇就说不是狗”。

“背包太重”：要记多个场景，要么存所有数据（10个场景需10倍存储），要么训练10个独立模型（地铁站一个、商场一个），城市级部署时“模型比摄像头还多”，运维成本高到“用不起”。

FLCB框架：给AI配“记忆教练”
FLCB框架的核心，是让AI在学新知识时“主动复习旧知识”，靠两大机制实现“终身学习”：

1. “老师带学生”：旧模型当“复习导师”
训练新场景时，把旧场景训练好的模型当“老师”，当前模型当“学生”。“老师”会输出旧场景的“知识笔记”（特征层和输出数据），“学生”学新内容时必须模仿“老师”的输出——就像学生边学新课文边翻旧笔记，避免“学一个忘一个”。比如学地铁站场景时，“学生”模型会对照“老师”（商场训练模型）的计数逻辑调参数，确保旧知识不被覆盖。

2. “学习计划表”：平衡“学新”和“温故”
传统模型只盯着新场景的“考试分”（计数误差），FLCB加了“复习分”（自蒸馏损失），用超参数λ分配精力——λ=0.3时，30%时间复习旧知识，70%学新内容，就像“每日计划表”：背单词2小时，复习1小时，避免“只顾赶进度，忘了回头看”。

实测：遗忘度“清零”，跨场景误差降15%
在SHA、SHB等四个真实场景测试，FLCB交出亮眼成绩单：

“记忆加固”效果显著：用归一化反向迁移（nBwT，值越小遗忘越少）衡量，传统方法nBwT=0.371（严重遗忘），FLCB降到-0.010（接近“零遗忘”），部分场景甚至“越学越精”——SFANet模型在商场误差从85.4人降至69.4人。

“认路”能力变强：在没学过的JHU-Crowd++高密度场景，FLCB计数误差（MAE=84.8）低于联合训练（89.8）和传统终身学习（90.4），尤其在春运地铁站等遮挡严重场景，准确率比传统模型高15%。

“减负”效果明显：不用存历史数据，单模型搞定多场景，存储开销降60%，训练时间短20%——相当于“从背10本课本上学，变成带1本笔记本轻装上阵”。

从疫情防控到智慧城市：AI“记忆大师”的应用版图
FLCB已在多场景落地：

疫情防控：小区、商场动态学习，人群聚集预警误差≤10人，避免传统模型“换场景就失灵”；
合成数据训练：在GCC合成数据集上训练后，对真实场景（如ShanghaiTech PartB）泛化误差16.1，优于CycleGAN（19.9），解决数据隐私和标注贵难题。
目前，团队正优化极端场景（1人或2万人以上）计数精度，未来结合自监督学习，让AI在演唱会、体育场馆也能“数得准”。