Angesichts des derzeitigen Phänomens, dass inkrementelles Lernen nur auf Ziele mit festen Posen abzielt, betrachtet dieser Artikel eine strengere Einstellung, nämlich das Online-inkrementelle Lernen für Ziele mit mehreren Posen, und schlägt eine Haltung-ignorierende Wiedergabemethode vor, um das katastrophale Vergessen beim Online-inkrementellen Lernen mit verschiedenen Posen zu mildern. Zuerst werden 2D-/3D-Ziele in Punktwolken umgewandelt, um die Extraktion von wirksamen geometrischen Informationen zu erleichtern; zweitens wird das Netzwerk basierend auf der Menge <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi mathvariant="normal">S</mi><mi mathvariant="normal">E</mi><mo stretchy="false">(</mo><mi>d</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><mi>d</mi><mo>=</mo><mn mathvariant="normal">2,3</mn><mo stretchy="false">)</mo></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/2CE9F2B6-4DDC-4a66-AA9A-320D709BA0F7-M001.jpg"?><?fx-imagestate width="22.77533340" height="3.04800010"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/2CE9F2B6-4DDC-4a66-AA9A-320D709BA0F7-M001c.jpg"?><?fx-imagestate width="22.77533340" height="3.04800010"?></graphic></alternatives></inline-formula> hinsichtlich Translational-, Rotations- und anderen Äquivarianzverbesserungen optimiert, damit das Netzwerk reichhaltigere geometrische Informationen extrahieren kann, wodurch der Einfluss der Zielpose auf das Modell in jeder Aufgabe verringert wird; schließlich werden basierend auf Verluständerungen spezifische Proben für die Wiedergabe entnommen, um katastrophales Vergessen zu mildern. Experimentelle Ergebnisse zeigen, dass bei der Bewältigung von Zielen mit festen Posen wie MNIST und CIFAR-10 die endgültige durchschnittliche Genauigkeit dieser Methode 88 % bzw. 42,6 % erreicht, nahe an den Vergleichsmethoden, aber die endgültige durchschnittliche Vergessensrate deutlich besser ist, mit einer Reduzierung um ca. 3 % bzw. 15 %. Bei Zielen mit mehreren Posen wie RotMNIST und trCIFAR-10 hält diese Methode die Leistung bei Zielen mit festen Posen gut aufrecht und wird im Grunde nicht von der Zielpose beeinflusst. Darüber hinaus bleibt die Leistung auch im 3D-Datensatz ModelNet40 stabil. Die vorgeschlagene Methode ermöglicht es dem Online-inkrementellen Lernen, unbeeinflusst von der Zielpose zu sein und gleichzeitig katastrophales Vergessen zu mildern, was eine gute Stabilität und Plastizität aufweist.

Online-inkrementelles Lernen; katastrophales Vergessen; Haltung-ignorierende Wiedergabe; Äquivarianz; Punktwolkenklassifikation