L'apprentissage incrémental de classes est un problème de classification consistant à apprendre un modèle lorsque des instances provenant de nouvelles classes d'objets sont ajoutées séquentiellement, tout en souhaitant que le modèle ne soit réentraîné que sur les nouvelles classes, avec un entraînement minimal sur les anciennes classes. Un problème majeur rencontré dans l'apprentissage incrémental de classes est le oubli catastrophique, où le modèle mis à jour oublie les anciennes classes et se concentre uniquement sur les nouvelles. Cet article propose une méthode simple et novatrice d'apprentissage incrémental de classes, qui utilise un extracteur de caractéristiques préentraîné en mode auto-supervisé afin d'obtenir des caractéristiques significatives, puis entraîne des modèles PCA probabilistes sur les caractéristiques extraites pour chaque classe séparément. La distance de Mahalanobis est utilisée pour obtenir les résultats de classification, et une équation équivalente est dérivée afin de rendre l'approche économiquement viable sur le plan computationnel. Des expériences menées sur des jeux de données standards et de grande taille montrent que l'approche proposée surpasse de loin les méthodes d'apprentissage incrémental de pointe actuelles. Le fait que le modèle soit entraîné séparément pour chaque classe le rend applicable à l'entraînement sur de très grands jeux de données, tels que l'intégralité d'ImageNet, comprenant plus de 10 000 classes.