本文提出了一种简单的机器学习方法，通过采用特定的子空间正则化方案，让新增类别的权重向量与现有类别的权重向量所构成的子空间尽量接近，实现了使用普通逻辑回归分类器进行少样本类别增量学习的目的，该方法在miniImageNet数据集上优于当前的前沿方法22％，并可以直接扩展以包含有关新类的其他信息，进一步提高2％的准确性。因此，简单的几何正则化类表示法是持续学习的有效工具。

Oct, 2021

提出一种名为C-FSCIL的架构，利用超维嵌入，对每个新的类别进行异构存储策略，解决了记忆约束，并通过一些新的损失函数，进一步提高了类向量表示的质量。在CIFAR100、miniImageNet和Omniglot数据集上的实验结果表明，C-FSCIL在几乎不用牺牲精度的情况下实现了很高的压缩比。

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

在Few-Shot Class-Incremental Learning (FSCIL)场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在FSCIL标准基准测试中，TEEN显示出出色的性能并在few-shot learning场景中持续改进。

Dec, 2023

本研究提出了一种用于解决少样本增量学习中模型偏差问题的新方法，通过激发映射能力、分别进行双特征分类和自优化分类器等步骤，显著减轻了模型偏差问题，并在三个广泛使用的少样本增量学习基准数据集上取得了最先进的性能。

Feb, 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