论文解读：小样本类增量学习过程中，由于受到数据的限制，更容易陷入过拟合和灾难性遗忘难题。因此，本文研究利用自我监督学习的进步来纠正过度适应和灾难性遗忘，进而提高性能。首先探索在监督和自监督模型中学习到的特征串联基础上，训练轻量级特征融合+分类器。利用基类数据中的样本来学习监督模型，其中基类中大量的数据可以得到利用。利用大量未标注数据进行自监督模型的学习。利用融合后的特征来学习分类器，会取得比较好的性能。此外，文中还利用一个高斯生成器来减少小样本类增量学习过程中的灾难性遗忘问题。
模型框架：
在基类阶段，把特征提取网络学习好，并在后续增量过程汇总加以固定。
在增量学习过程中，只学习的分类器（两层全连接层），此外还利用高斯特征生成模块，来减少旧知识的遗忘。
