Face au phénomène actuel où l'apprentissage incrémental vise uniquement des cibles à posture fixe, cet article considère une configuration plus stricte, à savoir l'apprentissage incrémental en ligne pour des cibles multi-postures, et propose une méthode de relecture ignorant la posture pour atténuer l'oubli catastrophique lors de l'apprentissage incrémental en ligne en présence de cibles multi-postures. Tout d'abord, les cibles 2D/3D sont converties en nuages de points afin de faciliter l'extraction d'informations géométriques efficaces ; ensuite, le réseau est amélioré sur la base de l'ensemble <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> pour améliorer la réseau par des équivariances de translation, rotation, etc., permettant au réseau d'extraire des informations géométriques plus riches, réduisant ainsi l'influence de la posture de la cible sur le modèle dans chaque tâche ; enfin, des échantillons spécifiques sont extraits en fonction de l'évolution de la perte pour la relecture afin d'atténuer l'oubli catastrophique. Les résultats expérimentaux montrent que face à des cibles à posture fixe MNIST et CIFAR-10, la précision moyenne finale de cette méthode atteint respectivement 88% et 42,6%, proche des méthodes comparatives, mais le taux moyen final d'oubli est significativement meilleur, diminuant d'environ 3% et 15%. Face à des cibles multi-postures RotMNIST et trCIFAR-10, cette méthode maintient toujours bien ses performances sur les cibles à posture fixe, étant essentiellement insensible à la posture de la cible. De plus, les performances sur le jeu de données 3D ModelNet40 restent stables. La méthode proposée dans cet article permet à l'apprentissage incrémental en ligne de ne pas être affecté par la posture de la cible tout en atténuant l'oubli catastrophique, avec une bonne stabilité et plasticité.

apprentissage incrémental en ligne; oubli catastrophique; relecture ignorant la posture; équivariance; classification de nuages de points