摘要
增量类别学习（Incremental Class Learning）是指在模型训练过程中，新类别样本以顺序方式逐步加入，目标是在仅对新类别进行少量重训练的前提下，使模型能够有效学习新类别，同时尽可能保留对旧类别的识别能力。该领域面临的一个主要挑战是灾难性遗忘（catastrophic forgetting），即模型在学习新类别时会严重遗忘先前已学过的类别知识，从而导致对旧类别的识别性能显著下降。本文提出了一种简单而新颖的增量类别学习方法：利用自监督预训练的特征提取器获取具有语义意义的特征表示，并针对每一类别分别在提取的特征上训练概率主成分分析（Probabilistic PCA）模型。分类过程通过马氏距离（Mahalanobis distance）实现，并推导出一个等价计算公式，显著降低了算法的计算开销，提升了实际应用中的可行性。在标准数据集和大规模数据集上的实验结果表明，所提出的方法在性能上大幅超越现有最先进的增量学习方法。由于模型对每个类别独立训练，该方法具备良好的可扩展性，能够适用于超大规模数据集（如包含超过10,000个类别的完整ImageNet），为大规模增量学习提供了高效可行的解决方案。