创新点

在开放世界中建立了一种新的持续视觉表征学习的实用设置。
提出了一种简单而强大的方法，动态提示与表征学习器（DPaRL，Dynamic Prompt and Representation Learner），该方法在有效更新区分性表征主干网络的同时动态生成提示。这一增强提高了在测试时对未见开放世界类别的泛化能力。
在所提议的实用设置中，DPaRL表现超越了最先进的持续学习方法，无论是无回放方法还是基于回放的方法。

内容概述

开放世界本质上是动态的，特点是不断演变的概念和分布。在这种动态开放世界环境中，持续学习（CL）带来了一个重大挑战，即如何有效地泛化到未见的测试时类。为了解决这一挑战，论文提出了一种新的、针对开放世界视觉表示学习的实际CL设置。在这一设置中，后续数据流系统性地引入与先前训练阶段中所见类不相交的新类，同时与未见的测试类保持区别。

为此，论文提出了动态提示和表示学习器（DPaRL），这是一种简单但有效的基于提示的持续学习（PCL）方法。DPaRL学习生成用于推理的动态提示，而不是依赖于之前PCL方法中的静态提示池。此外，DPaRL在每个训练阶段共同学习动态提示生成和区分性表示，而以前的PCL方法仅在整个过程中细化提示学习。

实验结果表明，方法的优越性，在公认的开放世界图像检索基准上，DPaRL在Recall@1性能上平均提高了4.7%，超越了最新的先进方法。

Dynamic Prompt and Representation Learner (DPaRL)

封闭世界与开发世界设置

视觉表示学习的两个基本设置是封闭世界和开放世界范式。在封闭世界设置中（如图 (a/b) 所示），持续训练和测试数据的类别是完全相同的。而开放世界设置（如图 (c/d) 所示）中，持续训练和测试类别完全不同，因此需要模型学习能对未见过的概念进行概括的表示。

基于提示的持续学习

基于提示的持续学习（PCL）方法使用预训练的视觉变换器（ViT）作为封闭世界图像分类的区分性主干，如图 (a) 所示。这些方法创建了一个包含多个提示token的提示池，在训练期间仅更新该池中的可学习参数。在推理时，学习到的提示池是静态的，PCL方法从该池中选择tokens，输入到多个ViT主干层进行预测。

论文的方法也采用了这种PCL范式，但在训练和测试类别不相交的开放世界设置中，现有的静态PCL提示池设计存在局限性，即测试类别内部和外部的距离分布之间的分离有限。

为此，论文引入一个动态提示生成（DPG）网络替代静态提示池，通过联合动态提示和表示学习范式，增强了区分性表示主干模型的能力，更有效地对开放世界概念进行概括。

动态提示生成（`DPG`）网络

动态阶段`token`

为了保留动态提示生成（DPG）过程中每个持续学习阶段的信息，引入了阶段token \(S\) 。在训练阶段 \(t\) ，训练一个阶段token \(S_{t}\)，同时以先进先出（FIFO）队列的方式冻结之前的阶段token \(S_{t - (q - 1)} \sim S_{t-1}\) ，其中 \(q\) 是最大队列大小，设置为5。这确保了来自之前阶段的知识保持不变，同时阶段token的总数受到队列大小的限制，而不会随着阶段数的增加而线性扩展。随后，在DPG网络中，通过自注意力模块进行阶段间token与实例图像token之间信息的融合。

映射函数

DPG生成一个 [CLS]token，以动态获取任务特定的高级信息。然而，它的大小与主干模型所需的提示tokens不同。为了解决这个问题，需要引入一个映射函数来连接 [CLS]token与提示tokens。一种直接的方法是使用单个线性层进行维度转换。然而，这种方法会引入过多的额外参数，导致过度参数化，也可能导致高度压缩的 [CLS]token信息出现过拟合。

为了解决这个问题，受到LoRA的启发，对权重参数施加约束 \(W=AB^T \in \mathbb{R}^{C_{in} \times C_{out}}\) ，其中 \(A \in \mathbb{R}^{C_{in} \times R}\) ， \(B \in \mathbb{R}^{C_{out} \times R}\) ，确保最大秩为 \(R< \min(C_{in}, C_{out})\) 。此外，对该低秩线性映射函数应用了Dropout和LayerNorm，这进一步有助于避免过拟合并稳定训练。

在这个专用映射函数和预训练神经网络的帮助下，提示 \(P\) 是从输入图像 \(I\) 和阶段tokens \(S_{t, q} := S_{t - (q - 1)} \sim S_{t}\) 动态获得的：

\[\begin{equation} P = Mapping(DPG\mbox{-}Network([S_{t, q}; \hspace{1mm} I])). \label{eq:propmt_generation} \end{equation} \]

将 \(P\) 重新调整为大小为 \(N_p \times C \times L\) ，其中 \(N_p\) 是提示的数量， \(C\) 是通道维度， \(L\) 表示提示应用于主干模型的层数。遵循之前的PCL方法中的提示技术，生成的提示将插入到ViT主干中的前 \(L\) 层。第 \(l\) 层的提示 \(P_l \in \mathbb{R}^{N \times C}\) 被划分为 \(\{P_{l,k}, P_{l,v}\}\in \mathbb{R}^{\frac{N}{2} \times C}\) ，作为前缀添加到注意力机制中键和值的输入token嵌入中。

最终，多头自注意力可表示为：

\[\begin{equation} h_i = Attention(X_lW_q^i, \hspace{1mm} [P_{k};X]W_k^i, \hspace{1mm} [P_{v};X]W_v^i). \end{equation} \]