摘要

在类增量学习（Class-Incremental Learning, CIL）设置中，模型在每个学习阶段逐步接收一组新的类别，其目标是构建一个统一的模型，能够对迄今为止所观察到的所有类别均保持良好的性能。随着视觉Transformer（Vision Transformers, ViTs）在传统分类任务中的广泛应用，一个值得关注的问题是：这些模型在持续学习场景下的表现如何？为此，本文提出了一种面向CIL的去偏双蒸馏Transformer模型，命名为$\textrm{D}^3\textrm{Former}$。所提出的$\textrm{D}^3\textrm{Former}$采用混合嵌套式ViT架构设计，兼顾数据效率，并具备在小规模与大规模数据集上良好扩展的能力。与近期基于ViT的CIL方法不同，$\textrm{D}^3\textrm{Former}$在学习新任务时无需动态扩展网络结构，因而能够适应大量增量任务，具有更强的实用性与可扩展性。$\textrm{D}^3\textrm{Former}$在CIL性能上的显著提升，源于对ViT架构的两项根本性改进。其一，我们将增量学习建模为长尾分类问题：新类别中的样本数量远超旧类别所拥有的有限样本（即记忆样本）。为避免模型对样本较少的旧类别产生偏差，我们提出一种动态调整输出logits的方法，以强化对旧任务相关特征表示的保留能力。其二，我们提出在跨任务学习过程中保持空间注意力图的配置结构不变。这一机制有助于通过约束模型对最具判别性的空间区域保持注意力，从而有效缓解灾难性遗忘问题。在CIFAR-100、MNIST、SVHN以及ImageNet等数据集的增量学习版本上，$\textrm{D}^3\textrm{Former}$均取得了优异的性能表现。相关代码已公开，获取地址为：https://tinyurl.com/d3former。