现代模式识别系统不是假定包含固定数量的对象的封闭环境，而是需要识别异常值，识别异常或发现全新的对象，这就是所谓的零击对象识别。 但是，许多现有的零击学习方法不够高效，无法自我更新带有与已知或新奇类标签混合的新样本的方法。 在本文中，我们提出了一种基于间接属性预测（IAP）模型的增量零击学习框架（IIAP / QR）。 首先，提出了一种基于零空间的线性判别分析的快速增量分类器，具有QR更新（NLDA / QR），可以解决小样本量（SSS）问题和不等样本量（USS）。通常在增量学习中出现的问题。使用