تُظهر الشبكات العصبية التلافيفية نتائج ممتازة في التصنيف، لكنها تواجه صعوبات في تعلم مهارات جديدة بشكل ديناميكي. نقدّم منهجًا جديدًا لا يعتمد على التكرار (rehearsal-free)، حيث تتعلم شبكة عصبية عميقة فئات كائنات جديدة غير مرئية بشكل مستمر دون حفظ أي بيانات من التسلسلات السابقة. يُسمّى هذا المنهج RECALL، لأنه يُذكّر الشبكة بالفئات القديمة من خلال حساب الـ logits للفئات القديمة قبل تدريب الفئات الجديدة. ثم تُستخدم هذه القيم أثناء التدريب لمنع تغيير تمثيل الفئات القديمة. بالنسبة لكل تسلسل جديد، يتم إضافة رأس جديد (new head) لاستيعاب الفئات الجديدة. وللتقليل من تأثير النسيان، نقدّم استراتيجية تقوية (regularization) حيث نستبدل التصنيف بالانحدار (regression). علاوةً على ذلك، للفئات المعروفة، نقترح خسارة ماهالانوبيس (Mahalanobis loss) التي تأخذ في الاعتبار التباينات لتعويض التغيرات في الكثافة بين الفئات المعروفة والغير معروفة. وأخيرًا، نقدّم مجموعة بيانات جديدة مخصصة لتعلم مستمر، وخصوصًا للتعرف على الكائنات بواسطة روبوت متحرك (HOWS-CL-25)، تتضمن 150,795 صورة مُصَنَّعة لـ 25 فئة من الكائنات المنزلية. يتفوق منهجنا RECALL على أحدث النماذج الحالية على مجموعة CORe50 وiCIFAR-100، ويحقق أفضل أداء على مجموعة HOWS-CL-25.