本文介绍了一种利用状态不变性来学习物体识别和检索的方法，通过新的数据集ObjectsWithStateChange捕捉物体图像中的状态和姿态变化。作者提出了一种增强模型捕捉微细变化物体特征的课程学习策略，以提高在具有状态变化的微细任务上的性能。

采用课程学习策略和稀疏样本可提高神经网络学习效率。2层ReLU神经网络在稀疏样本中训练，能够在有限步数内学习奇偶类型问题。无论网络大小，都需要额外步骤才能学习。