- AAAI基于图像的抬举 —— 利用图像线索进行精确的三维人体姿势估计
深度学习技术用于估计人体姿势时，由于仅凭借 2D 姿势估计存在深度模糊问题，这篇论文提出了一种新的框架，通过利用图像特征和逐步学习的方法解决了泛化能力差的问题，并在多个数据集上取得了最先进的性能。
- 渐进式文本到三维生成用于自动三维打印
通过自然语言描述生成三维物体的文本到三维生成技术，采用多尺度三面网（Multi-Scale Triplane Network）和新的渐进学习策略，有效地恢复细节并高效优化大尺寸三维输出，为自动三维原型制作提供了可能。
- 视频抄袭检测的特征兼容性渐进式学习
本文提出了 Feature-Compatible Progressive Learning（FCPL）方法，以参加 Meta AI 视频相似性挑战赛（VSC22），然后通过实验结果证明该方法优于其他竞争者，并提供了相应代码。
- AAAI学习渐进式多模态共享的转换器以实现有效的可见 - 红外人员重识别
本文提出了一种名为 PMT 的深度学习框架，它采用渐进式共享模态转换器来解决 VI-ReID 任务中复杂的模态变化问题，并对模态共享特征进行可靠度和共性分析；同时提出了一种 Discriminative Center Loss (DCL)， - NIPSEXPANSE： 深度迁移学习的深度继续 / 渐进学习系统
提出了一种名为 EXPANSE 的新的深度转移学习方法，通过扩展网络层来避免遗忘和过度偏置的问题，并引入了基础课程和复杂性学习的两阶段培训方式，该方法在处理远程源和目标数据方面取得了成功。
- CVPR视觉 Transformer 的自动渐进式学习，用于高效训练
该论文提出一种自适应的进阶学习自动化方案 (AutoProg)，通过在训练过程中自适应决定模型的生长量、生长位置以及生长方式等策略，从而使得模型的训练能够快速加速，且不会出现性能下降。通过 DeiT 和 VOLO 等模型在 ImageNet - DocScanner: 具有渐进式学习的鲁棒性文档图像矫正
DocScanner 是一个新颖的文件图像矫正框架，它维护了单个矫正图像的估计，并通过一种递归机制进行了逐步纠正。基于几何先验，还引入了一种几何规则化来进一步提高纠正质量，并在 Doc3D 数据集和 DocUNet 基准数据集上进行了广泛实 - 基于不确定性引导的渐进式生成对抗网络用于医学图像翻译
本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。
- 面向开放世界的实体对齐：一种无监督方法
本文提出了一种无监督框架，用于在开放世界中进行实体对齐。该框架挖掘了知识图谱的旁路信息，过滤掉无法匹配的实体，通过渐进式学习框架不断改进结构嵌入，从而提升对齐质量，同时不需要标记数据。
- ICLRDrNAS: Dirichlet 神经架构搜索
该研究论文提出了一种新的可微分架构搜索方法，通过分布学习问题来加以实现，并将连续松弛的架构混合权重视为随机变量，以 Dirichlet 分布进行建模，通过路径导数优化 Dirichlet 参数，并采用渐进学习方案消除了不同 iable NA - VehicleNet：学习用于车辆重新识别的强健视觉表征
通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。
- 逐步学习和分离层次表示
通过渐进式学习独立层级表示，本文提出了一种策略来提高 Deep Generative Models 如 Variational Auto-Encoder 的去纠缠性能，该模型从最抽象的表示开始学习，并逐渐增加网络结构以介绍不同层次的表示。在 - IJCAI从词到句：基于视觉桥接的零资源机器翻译渐进式学习方法
本文提出了一种基于图片引导的无资源机器翻译渐进式学习方法，从词级别开始逐步学习，最终将学习到的词汇级别的翻译应用在句子级别的翻译上，从而有效减少了图片噪声对模型学习的干扰，在两个广泛使用的基于图像引导的翻译数据集上，该方法明显优于其他最先进 - CVPRSTEP: 视频动作检测的时空渐进学习
本文提出了一个逐步学习的动作检测框架，通过逐步改善提取物体框的精度以捕获视频中的动作。我们在 UCF101 和 AVA 数据集上验证了该框架，获得了显著的检测结果。
- 构建有效的低比特宽度卷积神经网络
本研究提出了三种简单有效的方法来优化低精度权重和低比特位激活函数的深度卷积神经网络：第一，采用两阶段优化策略以逐步找到好的局部最小值；第二，逐步降低比特数；第三，同时训练全精度模型和低精度模型以提供指引。该方法在不降低网络性能的情况下成功地