Frente al fenómeno actual de que el aprendizaje incremental se enfoca únicamente en objetivos con posturas fijas, este artículo considera una configuración más estricta, es decir, el aprendizaje incremental en línea orientado a objetivos con múltiples posturas, y propone un método de reproducción que ignora la postura para mitigar el olvido catastrófico cuando se enfrentan objetivos con múltiples posturas en el aprendizaje incremental en línea. Primero, se convierten objetivos 2D/3D en nubes de puntos para facilitar la extracción de información geométrica eficaz; en segundo lugar, se mejora la red basada en el conjunto <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 mejorar la equivarianza de la red mediante traslaciones, rotaciones, etc., permitiendo a la red extraer información geométrica más rica y así reducir el impacto de la postura del objetivo en el modelo para cada tarea; finalmente, se muestrean muestras específicas según los cambios en la pérdida para la reproducción y mitigar el olvido catastrófico. Los resultados experimentales muestran que al enfrentar objetivos con postura fija MNIST y CIFAR-10, el método alcanza una precisión promedio final de 88% y 42.6%, cercana a los métodos comparativos, pero con una tasa promedio final de olvido significativamente mejor, disminuyendo aproximadamente un 3% y 15%, respectivamente. Al enfrentar objetivos con múltiples posturas RotMNIST y trCIFAR-10, el método aún mantiene bien su desempeño en objetivos con postura fija y prácticamente no se ve afectado por la postura del objetivo. Además, el desempeño en el conjunto de datos 3D ModelNet40 también se mantiene estable. El método propuesto puede manejar el aprendizaje incremental en línea sin verse afectado por la postura del objetivo y aliviar el olvido catastrófico, mostrando buena estabilidad y plasticidad.

aprendizaje incremental en línea; olvido catastrófico; reproducción ignorando la postura; equivarianza; clasificación de nubes de puntos