该研究提出了一个两阶段学习框架，通过分析灾难性遗忘的原因，使用固定编码器和逐步更新原型分类器来解决问题。实验证明，该方法在CIFAR-100和ImageNet100上分别提高了18.24%和9.37%。

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%。

该文介绍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。该方法不依赖于保留旧类别样本，是一种非范例基于的 CIL 方法。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，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%。