現在の増分学習において対象は全て固定姿勢であるという現象に対し、本研究ではより厳密な設定として多姿勢対象に向けたオンライン増分学習を検討し、オンライン増分学習において多姿勢対象に直面した際の壊滅的忘却を軽減するための姿勢無視リプレイ手法を提案した。まず、2D/3D対象を点群化し、対象の有効な幾何情報を抽出しやすくした。次に、<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> 群に基づき、ネットワークの平行移動、回転などの等変性改良を行い、ネットワークがより豊かな幾何学情報を抽出できるようにし、その結果各タスクにおける対象姿勢の影響を低減した。最後に、損失変化に応じて特定のサンプルをサンプリングしリプレイに利用することで壊滅的忘却を緩和した。実験結果は、固定姿勢対象であるMNIST、CIFAR-10に対して本手法の最終平均精度がそれぞれ88%および42.6%に達し、比較手法と近い結果を示したが、最終平均忘却率は明らかに比較手法より優れており、それぞれ約3%および15%低減したことを示した。多姿勢対象であるRotMNIST、trCIFAR-10に対しても、本手法は固定姿勢対象における性能を良好に維持し、対象姿勢の影響をほぼ受けなかった。さらに、3DデータセットModelNet40における性能も安定していた。本手法はオンライン増分学習において対象姿勢の影響を受けず、かつ壊滅的忘却を緩和できるため、高い安定性と適応性を持つ。

オンライン増分学習;壊滅的忘却;姿勢無視リプレイ;等変性;点群分類