في أنظمة تصنيف الصور الحالية التي تعتمد على الشبكات العصبية العميقة، يتم تخزين المعرفة المطلوبة لتصنيف الصور بشكل ضمني في معاملات النموذج. إذا أراد المستخدمون تحديث هذه المعرفة، فيجب عليهم تعديل معاملات النموذج من خلال التخصيص الدقيق (fine-tuning). علاوة على ذلك، لا يمكن للمستخدمين التحقق من صحة نتائج الاستنتاج أو تقييم مساهمة المعرفة في هذه النتائج. في هذه الورقة، نستعرض نظامًا يخزن المعرفة الخاصة بتصنيف الصور، مثل خرائط الميزات الصورية، والعلامات، والصور الأصلية، ليس في معاملات النموذج، بل في ذاكرة خارجية ذات سعة عالية. يعتمد نظامنا على هذه الذاكرة كقاعدة بيانات عند تصنيف الصور المدخلة. ولزيادة المعرفة، يقوم النظام بتحديث قاعدة البيانات بدلًا من تعديل معاملات النموذج، مما يتجنب التذكر المفاجئ (catastrophic forgetting) في سيناريوهات التعلم التراكمي. ونعيد النظر في فئة تصنيف kNN (الجيران الأقرب k) ونستخدمها في نظامنا. من خلال تحليل العينات المجاورة التي يشير إليها خوارزمية kNN، يمكننا تفسير كيفية استخدام المعرفة المكتسبة سابقًا في إنتاج النتائج. حقق النظام دقة تصل إلى 79.8% في التصنيف الأول (top-1) على مجموعة بيانات ImageNet دون الحاجة إلى تخصيص معاملات النموذج بعد التدريب الأولي، وبلغت دقة النظام 90.8% على مجموعة بيانات Split CIFAR-100 في بيئة التعلم التراكمي حسب المهام.