В свете текущей ситуации, когда при инкрементном обучении рассматриваются только объекты с фиксированными позами, в данной статье рассматривается более строгая постановка задачи — онлайн-инкрементное обучение для объектов с множеством поз, и предлагается метод воспроизведения без учёта позы для смягчения катастрофического забывания при работе с многообразием поз в онлайн-инкрементном обучении. Во-первых, 2D/3D объекты преобразуются в облака точек для удобства извлечения эффективной геометрической информации; во-вторых, на основе множества <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> для улучшения сети с помощью трансляций, вращений и других эквивариантных преобразований, чтобы сеть могла извлекать более богатую геометрическую информацию и таким образом снижать влияние позы объекта на модель для каждой задачи; наконец, сэмплируются определённые образцы для воспроизведения на основе изменений потерь с целью смягчения катастрофического забывания. Эксперименты показывают, что при работе с объектами фиксированной позы MNIST и CIFAR-10 конечная средняя точность данного метода достигла 88% и 42.6% соответственно, близка к результатам сравнительных методов, но конечный средний уровень забывания явно лучше, снижаясь приблизительно на 3% и 15%. При работе с многообразием поз RotMNIST и trCIFAR-10 данный метод по-прежнему хорошо сохраняет свои показатели на объектах с фиксированной позой и практически не подвержен влиянию позы объекта. Кроме того, стабильность сохраняется и на 3D наборе данных ModelNet40. Предложенный метод позволяет онлайн-инкрементному обучению быть независимым от позы объекта и смягчать катастрофическое забывание, демонстрируя хорошую стабильность и пластичность.

онлайн-инкрементное обучение; катастрофическое забывание; воспроизведение без учёта позы; эквивариантность; классификация облаков точек