L'apprentissage incrémental de classes sans exemplaires est particulièrement difficile en raison de l'effet néfaste du oubli catastrophique. Un équilibre entre stabilité et plasticité du processus incrémental est nécessaire pour obtenir de bonnes performances tant pour les classes passées que pour les nouvelles. Les méthodes existantes d'apprentissage incrémental sans exemplaires se concentrent soit sur un ajustement progressif (fine-tuning) du modèle, favorisant ainsi la plasticité, soit sur un extracteur de caractéristiques fixé après l'état initial incrémental, privilégiant alors la stabilité. Nous proposons une méthode qui combine un extracteur de caractéristiques fixe et un générateur de pseudo-caractéristiques afin d'améliorer l'équilibre stabilité-plasticité. Le générateur utilise une translation géométrique simple mais efficace des caractéristiques des nouvelles classes pour produire des représentations des classes passées, composées de pseudo-caractéristiques. Cette transformation des caractéristiques ne nécessite que le stockage des représentations centroïdales des classes passées afin de générer leurs pseudo-caractéristiques. Les caractéristiques réelles des nouvelles classes ainsi que les pseudo-caractéristiques des classes passées sont ensuite alimentées dans un classificateur linéaire entraîné de manière incrémentale pour distinguer toutes les classes. Le processus incrémental est nettement plus rapide avec la méthode proposée par rapport aux approches courantes qui mettent à jour l'ensemble du modèle profond. Des expérimentations ont été menées sur trois jeux de données exigeants, dans diverses configurations incrémentales. Une comparaison avec dix méthodes existantes montre que notre approche surpasse les autres dans la majorité des cas.