本文提出了一种基于分离学习策略的持续演化分类器（CEC）框架，该框架在每个增量会话中只更新分类器，从而避免了表示的知识遗忘问题，并采用伪增量学习方法优化图参数来构建持续的上下文信息传递网络，以解决少样本类别增量学习（FSCIL）的课程先决问题，实验结果表明该方法在 CIFAR100、miniImageNet和Caltech-USCD Birds-200-2011（CUB200）等基准数据集上表现出 remarkable 的优势。

Apr, 2021

本研究提出基于元学习的LearnIng Multi-phase Incremental Tasks (LIMIT)方法，合成假的Few-shot Class-Incremental Learning任务来建立分类特征空间，并基于Transformer构建校准模块，实现新类别的适应和对旧类别的防遗忘，该方法在多个数据集上实现了最好表现。

Mar, 2022

本文研究了 few-shot class-incremental learning (FSCIL) 问题，提出了一种基于规范化原型分类器的简单方法，名为 NoNPC，该方法适用于增量式新类别的识别，具有与先进算法相当的性能表现。

Jun, 2022

本文探究Few-Shot Class-Incremental Learning（FSCIL）这个重要任务及其数据稀缺性的极端条件，并提出了一种称为Augmented Angular Loss Incremental Classification（ALICE）的模型来解决该问题。实验证明，相比于现有的FSCIL方法，ALICE具有更好的性能。

Jul, 2022

本文从方法学、性能、应用等多个角度全面分析了最新的few-shot class-incremental learning（FSCIL）的进展，包括理论研究、性能评估和应用案例，针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题，提出了一种划分方法，将FSCIL分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域，并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。

Apr, 2023

Few-shot Class-Incremental Learning (FSCIL) is comprehensively reviewed, covering problem definition, challenges, general schemes, benchmark datasets, evaluation metrics, classification methods, object detection methods, and future research directions.

Aug, 2023

我们提出了一个用于少样本类级增量学习（FSCIL）的绝招框架，这是一种具有挑战性的持续学习形式，涉及对有限样本的新任务的连续适应。我们的提出的绝招集合了八个关键而高度有影响力的技巧，改善了FSCIL的稳定性，适应性和整体性能，并建立了新的最先进技术，优于该领域的先前研究。

Mar, 2024

通过使用预训练模型和高阶特征统计，可以改善少样本增量学习中的分类准确度。

Apr, 2024

我们介绍了一种创新的FSCIL框架，利用语言正则化器和子空间正则化器，该框架不仅能够使模型拥抱有限数据的新类别，还能确保对基础类别的性能保持，通过在基础训练阶段利用视觉-语言模型提取的语义信息和在增量训练阶段促进模型对图像和文本语义之间微妙连接的学习。

May, 2024

针对视觉基础模型的少样本调优方面的类增量学习，我们提出了CoACT方法，通过异步对比调优、控制微调和一致性引导增量调优三个组成部分，有效提升了模型性能和鲁棒性。

May, 2024