Learn like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）
应用课程学习既需要数据的难度范围，也需要确定示例难度的方法。然而，在许多任务中，满足这些要求可能是一项艰巨的挑战。在本文中，我们认为，组织病理学图像分类是一个引人注目的用例课程学习。基于组织病理学图像的性质，示例中固有地存在一系列困难，并且由于医学数据集通常由多个注释者标记，因此注释者一致性可以用作给定示例的困难的自然代理。因此，我们提出了一个简单的课程学习方法，训练由注释者协议确定的渐进式更难的图像。我们评估我们的假设上的挑战性和临床上重要的任务，结肠直肠息肉分类。而香草训练实现了83.7%的AUC为这项任务，我们提出的课程学习方法训练的模型实现了88.2%的AUC，提高了4.5%。我们的工作旨在启发研究者在选择应用课程学习的情境时更有创造性和更严谨地思考。
2020-09-29 cs.CV
Dynamic Curriculum Learning for Imbalanced Data Classification
SenseTime Group Limited（商汤集团有限公司）
人体属性分析是计算机视觉领域的一项具有挑战性的任务，因为数据在很大程度上是不平衡分布的。常见的技术，如重新采样和成本敏感的学习需要先验知识训练系统。针对这一问题，本文提出了一个统一的动态课程学习（Dynamic Curriculum Learning，DCL）框架，在线自适应地调整抽样策略和单批损失学习，从而提高泛化能力和区分度。受课程学习的启发，DCL由两个层次的课程调度器组成：（1）采样调度器不仅管理数据分布从不平衡到平衡，而且管理数据分布从易到难;（2）损失调度器控制分类和度量学习损失之间的学习重要性。从这两个模型中学习，我们展示了我们的DCL框架与广泛使用的人脸属性数据集CelebA和行人属性数据集RAP上的新的最先进的性能。
2019-08-15 cs.CV
Classification-Regression for Chart Comprehension
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）；OriginAI
图表问答（CQA）是一种用于评估图表理解的任务，它与理解自然图像有着本质的不同。CQA要求分析图表的文本和视觉组件之间的关系，以回答一般问题或推断数值。大多数现有的CQA数据集和模型都是基于简化的假设，这些假设往往能够超越人类的表现。在这项工作中，我们解决了这一结果，并提出了一个新的模型，联合学习分类和回归。我们的语言视觉设置使用共同注意力Transformers来捕捉问题和文本元素之间复杂的现实世界交互。我们通过在现实的PlotQA数据集上进行广泛的实验来验证我们的设计，大大优于以前的方法，同时在FigureQA上显示出具有竞争力的性能。我们的模型特别适合于现实的问题，需要回归的词汇表外的答案。
2022-07-11 cs.CV
Curriculum Learning of Visual Attribute Clusters for Multi-Task Classification
University of Houston（休斯顿大学）；National Center of Scientific Research Demokritos（德谟克利特国家科学研究中心）；University of Ioannina（约阿尼纳大学）
视觉属性，来自简单对象（例如，背包，帽子）到软生物测定（例如，性别、身高、服装）已被证明是用于诸如图像描述和人类识别的许多应用的强大的表示方法。在本文中，我们介绍了一种新的方法，结合多任务和课程学习的优势，在视觉属性分类框架。单个任务在基于它们的相关性执行层次聚类之后被分组。通过在集群之间转移知识，在课程学习设置中学习任务集群。每个集群内的学习过程在多任务分类设置中执行。通过利用获得的知识，我们加快了流程并提高了性能。我们通过消融研究和协变量的详细分析证明了我们的方法的有效性，在各种公开可用的人体站立数据集上，全身可见。大量的实验证明，所提出的方法提高了4%到10%的性能。
2018-07-10 cs.CV
A Multi-Scale CNN and Curriculum Learning Strategy for Mammogram Classification
Harvard University（哈佛大学）；DeepHealth Inc.（DeepHealth公司）
筛查性乳房X光检查是早期发现乳腺癌的重要一线工具，仅在美国每年就进行约3900万次检查。在这里，我们描述了一个多尺度卷积神经网络（CNN）训练的课程学习策略，实现了高水平的准确性分类乳房X线照片。具体来说，我们首先在乳房X光片中病变的分割掩模上训练基于CNN的补丁分类器，然后使用学习的特征来初始化基于扫描的模型，该模型在整个图像上呈现决策，在结果数据上进行端到端训练。我们证明了我们的方法有效地处理了“大海捞针”性质的全图像乳腺X线照片分类，在DDSM数据集上实现了0.92 AUROC。
2017-07-21 cs.CV
Curriculum Learning for Multi-Task Classification of Visual Attributes
University of Houston（休斯顿大学）；University of Ioannina（约阿尼纳大学）；NCSR Demokritos（德谟克利特国家科学研究中心）
视觉属性，来自简单对象（例如，背包，帽子）到软生物测定（例如，性别、身高、服装）已被证明是用于诸如图像描述和人类识别的许多应用的强大的表示方法。在本文中，我们介绍了一种新的方法，结合多任务和课程学习的优势，在视觉属性分类框架。单个任务根据它们的相关性进行分组，从而形成强相关任务和弱相关任务两组。这两组任务是在课程学习设置中通过将所获得的知识从强相关转移到弱相关来学习的。每个组内的学习过程是在多任务分类设置中执行的。所提出的方法比在典型的多任务学习范例中学习所有任务更好，收敛更快。我们在公开的SoBiR、VIPeR和PETA数据集上证明了我们方法的有效性，并全面报告了最先进的结果。
2017-08-29 cs.CV
Medical-based Deep Curriculum Learning for Improved Fracture Classification
Universitat Pompeu Fabra（庞培法布拉大学）；Ecole Centrale de Nantes（南特中央理工学院）；LMU München（慕尼黑大学）；Technische Universität München（慕尼黑工业大学）；ICREA（加泰罗尼亚研究与高等教育学院）
目前基于深度学习的方法不容易集成到临床协议中，也不能充分利用医学知识。在这项工作中，我们提出并比较了几种策略依赖于课程学习，支持股骨近端骨折的X射线图像，一个具有挑战性的问题，反映了现有的内部和专家间的分歧的分类。我们的策略来源于医学决策树和多位专家注释中的不一致性等知识，这使我们能够为每个训练样本分配一定的难度。我们证明，如果我们开始学习“简单”的例子，并转向“困难”，该模型可以达到更好的性能，即使用更少的数据。对约1000张X射线图像的临床数据集的分类进行评价。我们的研究结果表明，相比类统一和随机策略，建议的医学知识为基础的课程，执行高达15%的准确性，实现有经验的创伤外科医生的性能。
2020-04-01 cs.CV
Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty
Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚高级研究学院）；Ecole Centrale de Nantes（南特中央理工学院）；Technische Universität München（慕尼黑工业大学）；LMU München（慕尼黑大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
根据X线影像对股骨近端骨折进行适当的分类，对于治疗方法的选择和患者的临床结局至关重要。我们依赖于常用的AO系统，它描述了一个层次知识树，根据骨折的位置和复杂性将图像分类为类型和子类型。本文提出了一种基于卷积神经网络（CNN）的股骨近端骨折3类和7类AO自动分类方法。众所周知，CNN需要具有可靠标签的大型代表性数据集，这对于手头的应用程序来说很难收集。在本文中，我们设计了一种课程学习（CL）方法，在这种条件下提高了基本CNN的性能。我们的新公式重新统一了三个课程策略：单独加权训练样本，重新排序训练集，和采样数据子集。这些策略的核心是对训练样本进行排序的评分函数。我们定义了两个新的评分函数：一个来自特定领域的先验知识和一个原始的自定进度的不确定性分数。我们进行实验的临床数据集股骨近端X光片。该课程提高了股骨近端骨折的分类，以达到有经验的创伤外科医生的表现。最好的课程方法根据先验知识对训练集进行重新排序，从而使分类提高了15%。使用公开的MNIST数据集，我们进一步讨论和展示了我们的统一CL配方的好处，为三个控制和具有挑战性的数字识别方案：有限的数据量，类不平衡，并在标签噪声的存在。我们的工作代码可在：https://github.com/ameliajimenez/curriculum-learning-prior-uncertainty.
2021-11-09 cs.CV
Memory-aware curriculum federated learning for breast cancer classification
Universitat Pompeu Fabra（庞培法布拉大学）；IT University of Copenhagen（哥本哈根信息技术大学）；ICREA（加泰罗尼亚研究与高级研究院）；Ecole Centrale de Nantes（南特中央理工学院）；Hera-MI SAS（Hera-MI公司）
对于早期乳腺癌检测，建议定期进行乳房X光检查。常规检查导致数据集具有主要数量的阴性样本。解决这种阶级不平衡的一个潜在办法是联合多个机构的力量。开发协作式计算机辅助诊断系统在不同方面具有挑战性。患者的隐私和规章制度需要得到认真尊重。跨机构的数据可能从不同的设备或成像协议中获取，导致异构的非IID数据。此外，对于基于学习的方法，需要新的分布式数据优化策略。近年来，联邦学习已成为协作学习的有效工具。在此设置中，本地模型对其私有数据执行计算以更新全局模型。局部更新的顺序和频率影响最终的全局模型。因此，样本局部呈现给优化器的顺序起着重要的作用。在这项工作中，我们定义了一个记忆感知的联邦设置的课程学习方法。我们的课程控制训练样本的顺序，特别注意那些在部署全局模型后被遗忘的样本。我们的方法结合无监督领域自适应处理域转移，同时保护数据隐私。我们使用来自不同供应商的三个临床数据集来评估我们的方法。我们的研究结果验证了联邦对抗学习对多位点乳腺癌分类的有效性。此外，我们表明，我们提出的记忆感知课程的方法是有益的，以进一步提高分类性能。我们的代码可在https://github.com/ameliajimenez/curriculum-federated-learning上公开获取。
2023-01-06 cs.CV
ACPL: Anti-curriculum Pseudo-labelling for Semi-supervised Medical Image Classification
Australian Institute for Machine Learning, University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Universität Ulm（乌尔姆大学）
有效的医学图像分析（MIA）中的半监督学习（SSL）必须解决两个挑战：1）有效地工作在多类（例如，病变分类）和多标记（例如，多疾病诊断）问题，以及2）处理不平衡的学习（由于疾病流行率的高方差）。在SSL MIA中探索的一种策略是基于伪标签策略，但它有一些缺点。伪标签的准确性通常低于一致性学习，它不是专门为多类和多标签问题设计的，并且可能受到不平衡学习的挑战。在本文中，不同于传统的通过阈值选择置信伪标签的方法，我们提出了一种新的SSL算法，称为反课程伪标签（ACPL），该算法引入了新的技术来选择信息丰富的未标记样本，改善了训练平衡，并允许模型适用于多标签和多类问题，以及通过分类器的精确集合来估计伪标签（提高伪标签精度）。我们在两个公共医学图像分类基准上进行了广泛的实验来评估ACPL：胸部疾病多标签分类的胸部X射线14和皮肤病变多类分类的ISIC 2018。我们的方法在两个数据集上都优于以前的SOTA SSL方法
2022-03-21 cs.CV
Attention-Guided Curriculum Learning for Weakly Supervised Classification and Localization of Thoracic Diseases on Chest Radiographs
National Institutes of Health, Clinical Center（美国国立卫生研究院临床中心）；Ping An Technology Co., Ltd.（平安科技有限公司）
在这项工作中，我们利用的任务，联合分类和弱监督定位胸部疾病的胸部X光片，只有图像级的疾病标签加上疾病严重程度（DSL）的信息的子集。提出了一种基于卷积神经网络（CNN）的注意力引导课程学习（AGCL）框架，该框架利用了从放射学报告中挖掘的严重程度属性。按照难度顺序（按不同的严重程度分组）的图像被馈送到CNN，以逐步提高学习。此外，提取高置信度样本（通过分类概率测量）及其相应的类条件热图（由CNN生成），并进一步馈送到AGCL框架中，以指导在下一次迭代中学习更独特的卷积特征。设计了一种双路径网络架构，除了原始分类任务之外，还可以从选定的种子样本中回归热图。联合学习方案可以提高分类和定位性能，同时为下一次迭代提供更多的种子样本。我们通过对公开的ChestXray 14数据集进行广泛的实验评估，证明了这种迭代细化框架的有效性。与现有技术相比，AGCL在分类AUC方面实现了超过5.7%（平均超过14种疾病）的增加，并且在定位任务的召回率/精确度方面实现了7%/11%的增加。
2018-07-19 cs.CV
Spatial Transformer Networks for Curriculum Learning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；TU Kaiserslautern（凯泽斯劳滕工业大学）
课程学习是一种生物启发的训练技术，其被广泛采用于机器学习，用于改进优化和关于收敛速率或获得的准确度的神经网络的更好训练。课程学习的主要概念是从较简单的任务开始训练，然后逐渐增加难度。因此，一个自然的问题是如何确定或生成这些更简单的任务。在这项工作中，我们从空间Transformer网络（STNs）的灵感，以形成一个简单的硬课程。由于STNs已被证明能够从输入图像中去除杂波，并在图像分类任务中获得更高的准确性，因此我们假设STNs处理的图像可以被视为更容易的任务，并用于课程学习。为此，我们研究了多种策略，用于塑造培训课程，使用STNs生成的数据。我们进行了各种实验上杂乱的MNIST和时尚MNIST数据集，在前者，我们得到了改善的$3.8$ PP的分类精度相比，基线。
2021-08-22 cs.CV
Human not in the loop: objective sample difficulty measures for Curriculum Learning
University of Pittsburgh（匹兹堡大学）；Loma Linda University（罗马琳达大学）
课程学习是一种学习方法，它按照从简单到困难的样本的有意义的顺序训练模型。这里的一个关键是设计自动和客观的样本难度测量。在医学领域，先前的工作应用来自人类专家的领域知识来定性地评估医学图像的分类难度以指导课程学习，这需要额外的注释工作，依赖于主观的人类经验，并且可能引入偏差。在这项工作中，我们提出了一种新的自动化课程学习技术，使用梯度方差（VoG）计算样本的客观难度度量，并评估其对肘关节骨折X射线图像分类的影响。具体来说，我们使用VoG作为一个度量标准，根据分类难度对每个样本进行排名，其中高VoG分数表示分类更困难的情况，以指导课程训练过程。我们将所提出的技术与基线（没有课程学习）进行了比较，这是一种在分类难度上使用人类注释的先前方法，以及反课程学习。我们的实验结果表明，可比的和更高的性能为二进制和多类骨折分类任务。
2023-02-25 cs.CV cs.LG
CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification
Birmingham City University（伯明翰城市大学）；University of Exeter（埃克塞特大学）
本文提出CURVETE，一种结合课程学习与渐进式自监督训练的深度卷积神经网络，用于解决医学图像分类中样本有限和类别分布不均的问题，在三个数据集上取得优于其他策略的准确率。
2025-10-27 cs.CV
PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image Classification
University of South Carolina（南卡罗来纳大学）
多标签图像分类的目标是预测图像中所有可能的标签。它通常被公式化为部分标签学习问题，因为在实践中注释每个训练图像中的所有标签可能是昂贵的。现有的部分标签学习的工作集中在每个训练图像只标注其标签的子集的情况下。一种特殊情况是在每个训练图像中仅注释一个正标签。为了进一步减轻标注负担，提高分类器的性能，本文提出了一种新的部分标签设置，其中只有一个子集的训练图像被标记，每个只有一个积极的标签，而其余的训练图像保持未标记。为了处理这种新的设置，我们提出了一个端到端的深度网络PLMCL（部分标签动量课程学习），它可以学习为部分标记和未标记的训练图像生成自信的伪标签。新的基于动量的规则更新每个训练图像上的软伪标签，考虑伪标签的更新速度，这有助于避免陷入低置信度的局部最小值，特别是在训练的早期阶段，在缺乏观察到的标签和伪标签的信心。此外，我们提出了一个置信度感知调度器，以自适应地执行从容易到困难的学习不同的标签。大量的实验表明，我们提出的PLMCL优于许多国家的最先进的多标签分类方法在各种部分标签设置在三个不同的数据集。
2022-08-22 cs.CV
Image Classification and Optimized Image Reproduction
Pacific University（太平洋大学）；Sachdeva Engineering College for Girls（萨奇德瓦女子工程学院）
通过考虑人类视觉系统的特性和局限性，图像可以更有效地压缩，颜色更准确地再现，打印效果更好。为了显示所有这些优点，本文新的适应颜色图表已创建技术和视觉图像类别分析的基础上。已经使用极端图像进行了一些测试，其关键信息严格在黑暗和明亮的区域。结果表明，使用自适应的颜色图表的图像分类提高了相关的图像信息的分析方面的图像灰度和细节再现。还使用适配的颜色图表测试打印了在高键区域中具有关键信息的图像。
2012-09-23 cs.CV
Efficient Curriculum based Continual Learning with Informative Subset Selection for Remote Sensing Scene Classification
Indian Institute of Technology Bombay（印度理工学院孟买分校）
针对遥感场景分类中的类增量学习，提出基于课程学习与高置信度样本选择策略的CIL框架，有效缓解灾难性遗忘，并在多个基准数据集上实现更优的稳定性-可塑性权衡。
2023-09-03 cs.CV
Region-level labels in ice charts can produce pixel-level segmentation for Sea Ice types
University of Waterloo（滑铁卢大学）；South China University of Technology（华南理工大学）
针对海冰分类高分辨率标注难获取的问题，提出利用冰图区域标签的弱监督方法，通过区域损失优化，在AI4Arctic数据集上分辨率与精度均超全监督U-Net基准，推动海冰制图自动化。
2024-05-16 cs.CV
VTBench: A Multimodal Framework for Time-Series Classification with Chart-Based Representations
University of California, Davis（加州大学戴维斯分校）
本文提出VTBench，通过融合原始序列和图表可视化，系统评估了时间序列分类中图表类型、视觉编码和数据集的影响，展示了图表模型在特定领域的竞争力及多模态融合的优势。
2026-04-29 cs.CV cs.LG
Face, Whole-Person, and Object Classification in a Unified Space Via The Interleaved Multi-Domain Identity Curriculum
School of Behavioral and Brain Sciences, The University of Texas at Dallas（行为与脑科学学院，德克萨斯大学达拉斯分校）
本文提出了一种通过交错多域身份课程实现面部、全身和物体分类的统一空间模型，有效解决灾难性遗忘问题，并在多任务处理中优于人类。
2025-11-25 cs.CV
Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Sun Yat-sen University（中山大学）；Southern Medical University（南方医科大学）；Zhujiang Hospital（珠江医院）
甲状腺结节分类旨在基于给定的超声图像确定结节是良性还是恶性。然而，作为临床医学金标准的细胞学活检所获得的标记并不总是与超声成像TI-RADS标准一致。两者之间的信息差异导致现有的基于深度学习的分类方法举棋不定。为了解决标签不一致的问题，我们提出了一个自适应课程学习（ACL）框架，自适应地发现和丢弃标签不一致的样本。具体而言，ACL同时考虑了硬样本和模型的确定性，可以准确地确定区分标签不一致样本的阈值。此外，我们贡献了TNCD：甲状腺结节分类数据集，以促进未来甲状腺结节的相关研究。基于三个不同骨干网络的TNCD实验结果不仅证明了该方法的优越性，而且还证明了少即是多的原则，即策略性地丢弃具有不一致标签的样本可以产生性能增益。源代码和数据可在https://github.com/chenghui-666/ACL/上获得。
2022-07-02 cs.CV
CLoE: Curriculum Learning on Endoscopic Images for Robust MES Classification
Computer Engineering Department Ankara University（安卡拉大学计算机工程系）；Computer Engineering Department Hacettepe University（哈切特佩大学计算机工程系）
本文提出CLoE课程学习框架，利用BBPS训练的轻量模型估计图像质量作为标签置信度代理，结合ResizeMix增强，在LIMUC和HyperKvasir数据集上显著提升MES序数分类的鲁棒性和性能。
2025-08-18 cs.CV cs.LG
VEIL: How Visual Encoding Hijacking Induces Bias In Vision Models
University of California, Davis（加利福尼亚大学戴维斯分校）
研究探讨将时间序列渲染为图表图像用于TSC时，模型学习情况不明。提出VEIL研究图表编码对学习表示的影响，通过多种分析及注意力引导训练得出结论，表明可视化设计影响模型表示，应将基于图表的TSC视为表示和测量问题。
2026-07-08 cs.CV
Knowledge-Guided Multiview Deep Curriculum Learning for Elbow Fracture Classification
University of Pittsburgh（匹兹堡大学）；University of Pittsburgh Medical Center（匹兹堡大学医学中心）；Children’s Hospital of Pittsburgh（匹兹堡儿童医院）
肘关节骨折的诊断通常需要患者同时拍摄肘关节X线片的正面和侧面视图。在本文中，我们提出了一种用于肘部骨折亚型分类任务的多视图深度学习方法。我们的策略利用迁移学习，首先训练两个单视图模型，一个用于正面视图，另一个用于侧面视图，然后将权重转移到所提出的多视图网络架构中的相应层。同时，通过课程学习框架将定量医学知识整合到训练过程中，这使得模型能够首先从“较容易”的样本学习，然后过渡到“较难”的样本，以达到更好的性能。此外，我们的多视图网络既可以在双视图设置中工作，也可以使用单个视图作为输入。我们通过对肘部骨折的分类任务进行广泛的实验来评估我们的方法，数据集为1，964张图像。结果表明，我们的方法优于两个相关的方法在多个设置的骨折研究，我们的技术是能够提高性能的比较方法。该代码可在https://github.com/ljaiverson/multiview-curriculum上获得。
2021-10-20 cs.CV eess.IV
Enhancing Scientific Figure Captioning Through Cross-modal Learning
Technological University of Peru（秘鲁理工大学）
本文提出一种基于自然语言处理和多模态技术的科学图表标题自动生成新方法，有效提升了研究数据的清晰度与可访问性。
2024-06-24 cs.CV
Infinite Curriculum Learning for Efficiently Detecting Gastric Ulcers in WCE Images
Ant Financial（蚂蚁集团）；IBM Research - China（IBM中国研究院）；The Johns Hopkins University（约翰斯·霍普金斯大学）
无线胶囊内窥镜（WCE）正在成为筛查胃肠道系统疾病和癌症的流行方式。然而，WCE数据检查的耗时过程限制了它的应用并增加了检查的成本。本文考虑基于WCE的胃溃疡检测，其中的主要挑战是检测局部区域中的病变。我们提出了一种名为无限课程学习的方法，它将课程学习推广到一个无限的采样空间，通过其规模近似测量每个补丁的难度。这使我们能够逐渐将模型从局部补丁调整到全局图像，从而获得一致的准确性增益。实验是在一个拥有超过300万幅WCE图像的大型数据集上进行的。我们的方法实现了87%的二进制分类准确率，并能够检测到一些病变误注释的医生。在实际应用中，我们的方法可以减少医生在胃溃疡筛查中的工作量90%-98%。
2018-09-07 cs.CV
Label-similarity Curriculum Learning
Microsoft（微软）；University of Copenhagen（哥本哈根大学）
课程学习可以通过引导优化到期望的最优值来改善神经网络的训练。我们提出了一种新的课程学习方法图像分类，适应损失函数通过改变标签表示。其思想是使用类的概率分布作为目标标签，其中类概率反映了与真实类的相似性。逐渐地，这种标签表示转向标准的独热编码。也就是说，在开始时，小错误比大错误纠正得少，类似于先解释广泛的概念，然后再教授细微差别的教学过程。类别相似性可以基于先验知识。对于标签是自然词的特殊情况，我们提出了一种通用的方法来自动计算相似度。使用标准词嵌入将自然词嵌入到欧几里得空间中。每个类别的概率是类别的向量表示与真实标签之间的余弦相似度的函数。使用几种流行的深度学习架构对所提出的标签相似性课程学习（LCL）方法进行了经验评估，这些深度学习架构用于图像分类任务，应用于五个数据集，包括ImageNet，CIFAR100和AWA2。在所有情况下，与标准训练相比，LCL能够提高测试数据的分类准确度。
2020-07-23 cs.CV cs.LG
Similarity-Guided Curriculum Fine-Tuning of LLMs for Neural Architecture Synthesis
Computer Vision Lab, CAIDAS & IFI, University of Würzburg（计算机视觉实验室、CAIDAS与IFI，维尔茨堡大学）
研究为基于大语言模型的神经架构搜索构建基于MinHash的相似度调度框架，通过对源代码分片划分相似度带进行渐进式课程微调，在CIFAR-10等实验中评估，揭示了接口修复和课程调度针对不同失败模式，还观察了跨数据集转移情况。
2026-07-14 cs.CV
Curriculum Fine-tuning of Vision Foundation Model for Medical Image Classification Under Label Noise
Gwangju Institute of Science and Technology（光州科学技术院）
针对医学图像分类中标签噪声问题，提出CUFIT课程微调范式，利用视觉基础模型（VFMs）线性探测稳健性选择干净样本，对两个适配器课程微调，在多数据集40%噪声率下优于基线，提升噪声标签检测性能。
2024-11-29 cs.CV eess.IV
Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts
University of Colorado Boulder（科罗拉多大学博尔德分校）；Northern Arizona University（北亚利桑那大学）；University of Colorado Denver（科罗拉多大学丹佛分校）；National Snow and Ice Data Center（美国国家冰雪数据中心）；CIRES（环境科学合作研究所）
本文针对冰图多标签和类别不平衡问题，提出将海冰分类形式化为带置信度分数的偏标签学习任务，并结合焦点损失训练CNN，在Sentinel-1 SAR图像上显著提升了分类准确率和F-1分数。
2024-06-09 cs.CV eess.IV
A Deep Model for Partial Multi-Label Image Classification with Curriculum Based Disambiguation
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（工业和信息化部模式分析与机器智能重点实验室）
本文首次提出面向偏多标签图像分类的深度模型，通过课程式消歧策略逐步识别真实标签，并引入一致性正则化平衡简单标签拟合与潜在相关标签挖掘，在常用基准数据集上显著超越现有最优方法。
2024-05-06 cs.CV cs.LG
Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study
Department of Electrical；Computer Engineering Stevens Institute of Technology Hoboken, NJ, USA November 29, 2025
本文系统比较了不同视觉表示方法在加密货币市场预测中的应用，发现简单表示在性能上优于复杂方法，且使用预训练模型能提升性能。
2026-04-25 cs.AI cs.CV
CLOG-CD: Curriculum Learning based on Oscillating Granularity of Class Decomposed Medical Image Classification
School of Computing and Digital Technology, Birmingham City University（计算与数字技术学院，伯明翰城市大学）；University of Exeter（埃克塞特大学）
本文提出CLOG-CD方法，将课程学习与类分解结合，通过反课程训练提升不平衡医学图像分类性能，并在多个数据集上验证了其有效性。
2025-05-03 cs.CV eess.IV
Flatness-aware Curriculum Learning via Adversarial Difficulty
Graduate School of Advanced Science and Engineering Hiroshima University（弘前大学先进科学与工程研究院）；Intelligent Production Technology Research & Development Center for Aerospace Gifu University（宇治大学航空航天智能生产技术研究开发中心）
针对课程学习与锐度感知最小化结合时难度评估失效的问题，提出对抗难度度量（ADM），通过测量原始与对抗样本的归一化损失差距动态评估难度，在图像分类、细粒度识别和领域泛化上优于现有方法。
2025-08-26 cs.CV
Cross-Patient Pseudo Bags Generation and Curriculum Contrastive Learning for Imbalanced Multiclassification of Whole Slide Image
Fudan University（复旦大学）
针对全切片图像样本不平衡的多分类挑战，提出跨患者伪包生成与课程对比学习框架，通过生成特征相似的子包学习细粒度信息，在三个数据集上F1分数平均提升4.39分。
2024-11-18 cs.AI cs.CV
Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification
RWTH Aachen University（亚琛工业大学）；University Hospital Aachen（亚琛大学医院）
乳腺癌和其他癌症类型的恶性分类通常作为对象检测问题来处理：首先定位单个病变，然后根据恶性程度进行分类。然而，这种方法的缺点是，包含几个病变和未标记为病变但包含全局医学相关信息的区域的抽象特征因此被忽略：特别是对于动态对比度增强的乳腺MRI，诸如背景实质增强和乳腺内的位置等标准对于诊断很重要，并且不能通过对象检测方法正确捕获。在这项工作中，我们提出了一个3D CNN和多尺度课程学习策略，以分类恶性肿瘤全球的MRI的基础上，整个乳房。因此，考虑了整个乳房的整体背景，而不是单个病变。我们提出的方法不依赖于病变分割，这使得训练数据的注释比当前的对象检测方法更有效。达到0.89的AUROC，我们将我们的方法的性能与Mask R-CNN和Retina U-Net以及放射科医生进行了比较。我们的性能与方法相当，与我们的方法相反，依赖于病变的像素分割。
2019-06-17 cs.CV cs.LG eess.IV
Improving Self-supervised Learning with Hardness-aware Dynamic Curriculum Learning: An Application to Digital Pathology
Sunnybrook Research Institute（森尼布鲁克研究所）；University of Toronto（多伦多大学）
自监督学习（SSL）最近显示出巨大的潜力，学习通用的视觉表示有用的许多图像分析任务。尽管他们的显着的成功，现有的SSL方法无法推广到下游任务时，标记的训练实例的数量很小，或者如果转移域之间的域转移是显着的。在本文中，我们试图通过课程学习的镜头，通过提出一个硬意识的动态课程学习（HaDCL）的方法，以改善自我监督的预训练表示。为了提高SSL的鲁棒性和通用性，我们在小批量下游微调期间通过简单到困难和困难到非常困难的样本动态地利用渐进式更难的示例。我们发现，通过渐进的阶段式课程学习，预训练的表示显着增强，并适应域内和域外分布数据。我们对三个组织学基准数据集进行了广泛的验证，包括补丁式和幻灯片级分类问题。我们的基于课程的微调产生了显着的改善，标准的微调，在曲线下面积（AUC）得分的最小改善1.7%和2.2%的域内和域外分布数据，分别。此外，我们的经验表明，我们的方法是更通用和适应任何SSL方法，并没有施加任何额外的开销复杂性。此外，我们还概述了基于补丁与基于幻灯片的课程学习在组织病理学中的作用，为基于课程的SSL方法微调的成功提供了实际的见解。代码发布于https://github.com/srinidhiPY/ICCV-CDPATH2021-ID-8
2021-10-05 cs.CV cs.LG
Developmental Pretraining (DPT) for Image Classification Networks
Ashoka University（阿育王大学）
本文提出发育式预训练（DPT），借鉴婴儿视觉发育设计分阶段课程，先教边缘和形状等通用特征，以降低对大规模预训练数据的依赖并提升下游分类任务的适用性。
2023-12-01 cs.CV cs.LG
Fine-Grained Object Classification via Self-Supervised Pose Alignment
Peng Cheng Laboratory（鹏城实验室）；South China University of Technology（华南理工大学）；China Communication and Computer Network Laboratory of Guangdong（广东中国通信与计算机网络实验室）
细粒度对象的语义模式是由局部对象细微的外观差异决定的，这就激发了许多基于局部的方法。然而，由于不可控的对象在图像中的姿势，独特的细节所携带的局部区域可以是空间分布的，甚至自遮挡，导致对象表示的变化很大。为了减少姿态变化，本文提出学习一种新的基于图的对象表示，以揭示局部部分的全局配置，用于跨类的自监督姿态对齐，其被用作深度表示学习网络上的辅助特征正则化。一个粗到细的监督，连同建议的姿势不敏感的约束，从浅到深的子，网络以课程学习的方式鼓励区别特征。我们在三个流行的细粒度对象分类基准上评估我们的方法，始终达到最先进的性能。源代码可在https://github.com/yangxh11/P2P-Net上获得。
2022-03-30 cs.CV
