1.一种用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，包括：步骤1，获取数据集并对数据集进行预处理，构成任务序列，其中，数据集为CIFAR10图像数据集；步骤2，构建和优化双分支网络，基于初始数据集构建回放数据集以实现增量阶段的旧知识保留；步骤2a，双分支网络构建，将网络F 1 解耦为特征提取器 和分类器W， 包含通用的底层特征提取器 在 上并联2个独立的传统学习分支 重平衡分支 步骤2b，双分支网络优化，基于初始数据集D 1 ，采取交叉熵损失L CE 和梯度下降算法对F 1 进行优化：其中，C 1 ＝|Y 1 |，代表初始数据集D 1 中包含的类别数，δ为指示函数；步骤2c，回放数据集构建，基于双分支网络的特征提取器 分别计算数据集D 1 中C 1 类样本的特征向量，基于特征向量均值提取原型向量 应用到回放数据集构建：其中， 代表第1阶段中第i类样本的原型向量， 代表第i类样本集 中包含的样本数i∈1，2，...，C 1 ， 代表其中第j条样本；采取iCaRL方法，根据样本与对应原型向量的欧几里得距离，为每个新类别选择距离最近的前k条样本p 1 ，p 2 ，...，p k ，构成第一阶段的回放数据集 其中， 代表第1阶段中第i类样本的原型向量， 代表第i类样本集(i∈{1，2，...，C 1 })， 代表其中第j条样本；步骤3，数据类型扩展时，结合回放数据集计算当前增量阶段新旧类别的表征相似性，复制并扩展双分支网络，在双分支中基于表征相似性进行双边采样，通过提升易混淆的旧类别的采样概率实现区分度提升，采取混合损失函数和累积学习策略优化双分支网络，并扩展回放数据集以实现下一增量阶段的旧知识保留。
2.根据权利要求1所述的用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，步骤1包括：将数据集划分为B个任务，任务间的标签空间互不相交，采取iCaRL方法，数据集D＝{D 1 ，...，D B }，其中， 表示第t阶段的扩展类别数据， 和 代表输入数据和标签对，n t 表示D t 中的样本数； Y t 为任务t的标签空间，对于任意i≠j， 即各个任务间的类别互不相交；在第t阶段的测试过程中，模型将在所有已学习类别 上进行评估。
3.根据权利要求1所述的用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，步骤3中，计算新旧类别的表征相似性包括：基于第t-1阶段的双分支网络特征提取器 分别计算数据集D t 中C t 类样本的特征向量，基于特征向量均值提取原型向量 计算第t-1阶段的原型向量 与第t阶段的原型向量 之间的相似性，获得新旧类别的表征相似性矩阵 下式(5)中s i，j 表示第t阶段中，第i个新类别与第j个旧类别的表征相似性：在第t阶段中，数据集 包含 个旧类别、C t 个新类别，其中 基于类别相似性矩阵S，计算第i个旧类别与新类别的相似性w i ：
4.根据权利要求3所述的用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，步骤3中，扩展双分支网络包括：复制第t-1阶段的双分支模型F t-1 ，在分类器W中添加C t 个输出节点，组成第t阶段增量扩展的双分支网络F t 。
5.根据权利要求2所述的用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，步骤3中，优化双分支网络包括：在第t阶段，分别对数据集 进行均匀采样和类别相似性加权采样，获得样本(x c ，y c )、(x r ，y r )，其中，重平衡分支的类别相似性加权采样包括：根据表征相似性计算每个类别的采样概率P i ，根据采样概率P i 随机选择类别i，在类别i样本中进行不放回的均匀采样；将样本分别传入传统学习分支 和重平衡分支 中，得到特征向量f c 和f r ，其中：基于累积学习策略，使用自适应均衡参数α控制两个分支的输出，采取交叉熵损失L CE 、蒸馏损失L KD ，以及梯度下降算法对双分支网络F t 进行优化。
6.根据权利要求4所述的用于提高已有类别增量学习新旧类别区分度的训练方法，其特征在于，步骤3中，扩展回放数据集包括：基于双分支网络的特征提取器 分别计算数据集D t 中C t 类样本的特征向量，求出每一类别数据 的特征向量均值，提取原型向量 采取iCaRL方法，根据样本与对应原型向量的欧几里得距离，为每个新类别选择距离最近的前k条样本p 1 ，p 2 ，...，p k ，加入上一阶段的回放数据集 中，构成 实现当前阶段回放数据集扩展：
