Diante do fenômeno atual em que o aprendizado incremental se volta apenas para alvos com posturas fixas, este artigo considera uma configuração mais rigorosa, ou seja, o aprendizado incremental online voltado para alvos com múltiplas posturas, e propõe um método de repetição que ignora a postura para aliviar o esquecimento catastrófico ao lidar com alvos multiposturais no aprendizado incremental online. Primeiramente, os alvos 2D/3D são convertidos em nuvens de pontos para facilitar a extração de informações geométricas eficazes; em seguida, a rede é aprimorada com base no grupo <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> para melhorar a equivariância da rede através de deslocamentos, rotações, etc., permitindo que a rede extraia informações geométricas mais ricas, reduzindo assim o impacto da postura do alvo no modelo em cada tarefa; por fim, amostras específicas são coletadas com base na variação da perda para repetição a fim de aliviar o esquecimento catastrófico. Os resultados experimentais mostram que, ao lidar com alvos de postura fixa MNIST e CIFAR-10, o método alcançou precisão média final de 88% e 42,6%, respectivamente, próximo aos métodos comparativos, mas com taxa média final de esquecimento significativamente melhor, reduzida em cerca de 3% e 15%. Ao lidar com alvos multiposturais RotMNIST e trCIFAR-10, o método manteve bem o desempenho em alvos de postura fixa, praticamente sem ser afetado pela postura do alvo. Além disso, o desempenho no conjunto de dados 3D ModelNet40 também se manteve estável. O método proposto permite que o aprendizado incremental online não seja afetado pela postura do alvo e, ao mesmo tempo, alivie o esquecimento catastrófico, apresentando boa estabilidade e plasticidade.

aprendizado incremental online; esquecimento catastrófico; repetição ignorando postura; equivariância; classificação de nuvem de pontos