面向三维点云中位姿无关目标识别的持续学习

持续学习旨在持续学习多个陆续到来的新任务，并使已学任务的性能保持在一致水平。然而，现有持续学习研究假设物体位姿是预定义且良好对齐的。针对实际应用，本工作关注位姿无关持续学习任务，其中物体位姿动态且不可预测地变化。从以往方法采用的点云增强会随着持续学习过程中任务的增加而急剧上升。为解决该问题，我们将等变性与额外先验知识一同注入网络。我们提出了一种新颖的持续学习模型，有效蒸馏了先前任务的几何等变性信息。实验表明，我们的方法在多个主流点云数据集上克服了位姿无关场景的挑战。我们进一步进行消融实验以评估方法中各组件的有效性。