为少镜头类增量学习设计，通过样本重加权和虚拟类课程缓解灾难性遗忘，优于现有方法。
胡凯 · Yunjiang, Wang · 张园 · 高协平
IEEE Transactions on Cybernetics 2025
基于样本鲁棒性重新加权，先关注鲁棒样本以增强稳定性，再利用弱鲁棒样本提升泛化能力。
在基类训练中采用课程学习策略，逐步从少到多引入虚拟类，以减轻对模型性能的不利影响，增强对新类的适应性。
在CUB200、CIFAR100和miniImageNet数据集上的大量实验证明了所提方法相对于最先进模型的显著优势。