野外环境下的细粒度识别：一种多任务域自适应方法
本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。
Mar, 2020
本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。
Jun, 2018
本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。
Mar, 2022
本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。
Mar, 2018
本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。
May, 2022
本文提出了一种基于 Grappa 的无监督学习方法，通过从不同任务领域的未标记图像中学习，扩展了预训练模型，并通过伪标签来模拟不同的伪粒度，并学习融合层，使所有检索任务都适用。结果表明，Grappa 模型改善了自监督学习模型的零样本性能，并在某些地方达到或超过任务标签感知的最合适伪粒度。
Oct, 2022
本文提出了一种新的粗到细的语义分割架构的学习任务，以应对不同数据集和任务的领域变化，并设计了一种新的方法，使用最大平方损失来对齐源和目标领域，引入了知识蒸馏约束来传递网络能力，以及设计了粗细权重初始化规则。在实验中表明该方法优于主要竞争对手。
Jan, 2022