本论文全面调查了现有的针对图像分类的类增量学习方法，特别是在13种类增量方法上进行了广泛的实验评估，包括多个大规模图像分类数据集上的类增量方法比较，小范围和大范围域转移的研究，以及各种网络架构的比较。

Oct, 2020

该研究论述了在线持续学习图像分类问题，其中的任务可能包括新类别或数据非稳态。因为不同的实验设置以及不同的任务类别可能需要不同的方法，作者系统地比较了现有的MIR，iCARL和GDumb等方法，并评估了七个方法，以了解简单而有效的技巧对性能的影响，最终得出了MIR是一种强大而通用的在线持续学习方法。

Jan, 2021

提出了一种新型的、无需实际数据的分类增量学习框架，采用数据合成的方式生成虚拟数据大大缓解了灾难性遗忘现象，采用余弦归一化交叉熵损失、边际损失和领域对比损失来优化模型的分类性能，将该方法与现有方法进行比较实验，并在诊断心脏超声图像方面取得了很好的效果。

Jun, 2022

本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

Mar, 2023

本篇研究旨在解决跨领域少样本增量学习问题，提出了一种跨域增强约束和跨域数据增强方法，并在 MedMNIST 数据集上进行实验，发现相较于其他类似方法，该方法的分类性能更好。

Apr, 2023

本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。

Nov, 2023

在医学影像分析中，深度学习算法的快速发展使得医学影像分析取得了显著的进展，但是在推理数据集与模型训练时所见数据略有不同的情况下，模型的性能会受到很大影响。因此，需要采用连续学习技术来处理新类别、新任务和非稳态环境中的数据变化。本系统综述论文对连续学习技术在医学影像分析中的应用进行了全面的概述，包括灾难性遗忘、数据漂移、稳定性和可塑性要求等方面的研究，同时对连续学习方案、技术、评价方案和指标等关键组成部分进行了深入讨论。

Dec, 2023

通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。

May, 2024

通过引入平衡分类损失和分布边际损失，本研究在三个基准数据集上进行了大量实验，证明了该方法优于现有方法，从而有效缓解了医学数据集中不平衡导致的分类器偏见和遗忘现象。

Jul, 2024

本研究针对临床环境中数据分布不断演变及有限样本问题，提出了一种创新的增量学习方法，旨在在新的疾病类别到来时保持对旧疾病的准确识别。其核心亮点是提出了累积熵预测模块和细粒度语义扩展模块，从而有效测量不确定性并优化特征空间分布，使模型在处理不同类别时具备更强的泛化能力。实验结果表明，该方法在四个不平衡数据分布中的准确性比现有技术提高了高达53.54%。

Sep, 2024