本文介绍了一种新的数据集ObjectsWithStateChange，用于捕捉物体图像中的状态和姿态变化。通过课程学习策略和相似关系指导训练，提高模型在具有状态变化的微细任务上的性能。

本文提出了三种新的课程学习策略，通过使用图片难度预测器估计难度分数，分别将训练集图片分成逐渐困难的批次、为判别器引入考虑真实图片难度分数的课程损失函数以及从进化分布中采样易于处理的图像。实验证明这些策略能更快地收敛且产生更好的结果。例如，使用最佳课程学习策略训练的谱归一化的 GANs 在 CIFAR 图像生成任务中，成功欺骗人类标注者的比例为25.0%，而传统训练方法的 GANs 只有18.4%。在图像转换中，使用课程学习训练的 CycleGAN 喜好程度为40.5%，而传统训练的 CycleGAN 只有19.8%。

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。