本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL)，通过对齐源域和目标域的二阶统计信息来最小化领域偏移，而不需要目标标签。相比于子空间流形方法，CORAL 原始特征分布不需要低维子空间基项的对齐，且比其他分布匹配方法更为简单。CORAL 还扩展到了非线性转换对齐深度神经网络中的层激活的相关性，通过在标准基准数据集上取得了最新的性能，最终获得了 Deep CORAL 方法。

Dec, 2016

提出一种名为 CORal 的简单且高效的无监督域自适应方法，通过对齐源域和目标域的二阶统计量来最小化域漂移，可在标准基准数据集上表现出色。

Nov, 2015

本文提出了一种新的方法 ——Deep LogCORAL，用于无监督的视觉域自适应。我们使用 Riemannian 距离（由 Log-Euclidean 距离逼近）替换 Deep CORAL 中的欧几里得距离，并考虑第一和第二阶段信息。在基准 Office 数据集上的实验结果表明，相比于 Deep CORAL 方法，我们新提出的 Deep LogCORAL 方法具有更好的性能，而在优化两种信息的情况下表现得更佳。

Jul, 2017

用 Coral loss 和 standard loss 进行预训练，AD-Aligning 在对抗训练和源目标域对齐的基础上，通过保留鲁棒性并适应领域变化，将目标域统计与预训练编码器的统计相匹配，从而提高泛化能力。通过在不同数据集和领域变化场景（包括噪声诱导的变化和认知领域适应任务）上的大量实验证明，AD-Aligning 相比于 Deep Coral 和 ADDA 等现有方法具有卓越的性能。我们的研究结果突出了 AD-Aligning 模拟人类感知中的微妙认知过程的能力，使其成为适应性强和鲁棒的领域适应策略的有希望的解决方案，可应用于现实世界中需要适应性强的领域适应问题。

May, 2024

采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

Nov, 2017

本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

Nov, 2018

本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

Jan, 2019

本文提出了一种高效实现的深度残差校正网络，该网络使用一个残差块与任务特定的特征层插在源网络中，以有效增强从源到目标的自适应性，明确削弱不相关的源类的影响，并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分，传统和细粒度跨领域视觉识别方面的全面实验表明，DRCN 优于竞争的深度域自适应方法。

Apr, 2020

本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

Feb, 2017

本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015