非典型类别增量学习中的细粒度知识选择和恢复

本文提出了一个两阶段学习框架，解决类增量学习中的灾难性遗忘问题。该方法包括固定编码器和逐步更新原型分类器，不依赖于保留的旧类别样本。实验证明，在公共数据集上，该方法在保留每类5个示例和10个阶段递增设置下，相比最先进的范例基于方法，在CIFAR-100上提高了18.24%，在ImageNet100上提高了9.37%。