本文介绍了一种增量学习方法，通过保留训练图像的特征描述符而非图像本身，实现低内存占用和高分类准确率。研究提出了增量类别域自适应（CIDA）和基于知识蒸馏的新方法，解决经典遗忘问题，并在多个数据集上表现优异。此外，提出了类增量学习的测试时间适应方法和少样本类级增量学习框架，显著提升模型的稳定性和适应性。

本研究提出了一种基于骨架的手势识别模型，结合路径签名和多种特征描述符，利用注意手的原则和“dyadic method”提取特征。实验结果表明，该方法在手势识别中表现优异，并强调混合特征对识别准确率的提升，推动了手语识别技术的发展。

Diff3F是一种简单、健壮且与类别无关的特征描述符，用于计算无纹理输入形状。通过生成深度和法线图，Diff3F能够在2D上生成特征，并在原始表面上进行提升和聚合，从而产生可靠的对应关系。

该文介绍了一种使用卷积神经网络进行像素级别可靠对应的方法，该模型可同时作为密集特征描述符和特征检测器，能在后期检测中获得比传统低级结构更稳定的关键点。