Wir behandeln das Problem des klassen-inkrementellen Lernens, einem zentralen Schritt hin zu adaptiver visueller Intelligenz. Insbesondere betrachten wir die Aufgabenstellung des inkrementellen Lernens mit begrenztem Speicher und streben eine verbesserte Stabilität-Plastizitäts-Trade-off an. Dazu schlagen wir einen neuartigen zweistufigen Lernansatz vor, der eine dynamisch erweiterbare Darstellung nutzt, um inkrementelle Konzeptmodellierung effektiver zu gestalten. Konkret fixieren wir zu jedem inkrementellen Schritt die bereits gelernten Darstellungen und erweitern sie um zusätzliche Merkmalsdimensionen aus einem neuen, lernbaren Merkmalsextraktor. Dadurch können wir neue visuelle Konzepte integrieren, ohne bereits erlerntes Wissen zu verlieren. Die Darstellung erweitern wir dynamisch gemäß der Komplexität neuer Konzepte durch Einführung einer kanalbasierten, maskenbasierten Pruning-Strategie. Zudem führen wir eine Hilfsverlustfunktion ein, die das Lernen vielfältiger und diskriminierender Merkmale für neue Konzepte fördert. Wir führen umfangreiche Experimente auf drei etablierten Benchmarks für klassen-inkrementelles Lernen durch, und unsere Methode übertrifft dabei konsistent andere Ansätze mit großem Abstand.