该研究介绍了 Visual Domain Adaptation 2021 竞赛，将机器学习方法的性能从同一领域扩展到处理不同域的数据。该竞赛挑战的是无监督域自适应问题，并关注在目标数据集中可能遇到的数据分布漂移、缺失和 / 或新类别的困难 “通用” 设置。通过与领先的域适应方法的比较，利用已建立的度量标准来评估性能。该竞赛有望鼓励进一步改进机器学习方法，以处理实际数据在许多部署场景下的问题。

Jul, 2021

本文介绍了一种名为 SIA_Adapt 的方法，该方法结合了多种领域自适应模型的方法，在实体分割任务中实现了在未标记的情况下从一个已知领域到目标领域的迁移，并在应用于工业废物分类方面取得了很好的效果，代码公开在 https://github.com/DaehanKim-Korea/VisDA2022_Winner_Solution

Nov, 2022

本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

Dec, 2020

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题，发现标准适应方法不足以解决当前的挑战，需要专业的地理适应解决方案。

Apr, 2022

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

本文介绍了一个可用于多源和半监督设置中的领域自适应 (DA) 系统。使用提出的方法，我们在 VisDA 2019 挑战赛的多源轨道上获得第二名，在半监督轨道上获得第三名。该方法的源代码可以在指定的网址上获得。

Oct, 2019

本文提出了一种新的、针对视频语义分割的无监督域自适应方法，通过视频对抗训练和视频自我训练等网络，在实验中取得了优异的成绩，表明这一方法可以有效地将模拟数据转移到实际场景中，缓解视频领域对数据的需求。

Jul, 2021

本研究提出了一种新颖的域自适应算法，通过转换目标数据集的特征，减少统计分布上的差异，以训练源数据集的视觉问答模型，最大化对目标数据集上的问题正确回答的可能性。通过在几个热门的视觉问答数据集之间进行适应性调整的实证研究，发现所提出的方法优于没有适应和其他方法，并定量和 qualitatively 分析了适应性何时最为有效。

Jun, 2018

本文提出了一种无需源数据的无监督域自适应方法，称为虚拟域建模，旨在通过在预训练的源模型中基于模拟高斯混合模型（GMM）的特征空间生成虚拟域样本并设计有效的分布对齐方法，在不接触源领域数据的情况下通过训练深度神经网络实现来源与目标域之间的分布一致，成功实现了在二维图像和三维点云识别任务中的领域自适应，且取得了最优表现。

Mar, 2021