현재 증분 학습에서 대상이 모두 고정 자세인 현상을 고려하여, 본문에서는 보다 엄격한 설정인 다중 자세 대상 온라인 증분 학습을 고려하고, 온라인 증분 학습에서 다중 자세 대상에 직면했을 때 치명적 망각을 완화하기 위한 자세 무시 재생 방법을 제안한다. 우선, 2D/3D 대상을 포인트 클라우드화하여 대상의 유효한 기하학적 정보를 추출할 수 있도록 하였다; 다음으로, <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> 군을 기반으로 네트워크의 평행 이동, 회전 등 변환성을 개선하여 네트워크가 더 풍부한 기하학적 정보를 추출할 수 있게 하여 각 작업에서 모델이 대상 자세의 영향을 덜 받도록 하였으며; 마지막으로 손실 변화에 따라 특정 샘플을 샘플링하여 재생에 사용하여 치명적 망각을 완화한다. 실험 결과, 고정 자세 대상인 MNIST, CIFAR-10에 대해 본 방법은 최종 평균 정확도가 각각 88%, 42.6%에 도달했으며, 대조 방법 결과와 비슷하지만 최종 평균 망각률은 대조 방법보다 현저히 우수하여 각각 약 3%, 15% 감소하였다. 다중 자세 대상인 RotMNIST, trCIFAR-10에 대해 본 방법은 여전히 고정 자세 대상에서의 성능을 잘 유지하며, 대상 자세의 영향을 거의 받지 않았다. 또한 3D 데이터셋 ModelNet40에서도 성능이 안정적이다. 본 방법은 온라인 증분 학습에서 대상 자세의 영향을 받지 않으면서 치명적 망각을 완화할 수 있어 안정성과 가소성이 뛰어나다.

온라인 증분 학습; 치명적 망각; 자세 무시 재생; 변환성; 포인트 클라우드 분류