天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。

Mar, 2017

本文提出了一种基于生成式回放的无监督分割方法 GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。

Jan, 2023

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017

本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

May, 2020

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

领域适应旨在减少深度学习模型训练所在源领域和部署所在目标领域之间的差距。在航空平台上部署的深度学习模型可能面临逐渐恶化的天气条件，导致训练数据和评估数据之间的领域差距扩大。我们合成了两种逐渐恶化的天气条件并应用于真实图像数据集，生成了四个基准数据集。在持续或测试时间适应设置下，我们评估了三种领域适应模型：一个基准标准领域适应模型和两个持续领域适应模型。在这种设置下，模型一次只能访问目标数据中的一小部分或一个批次，并且适应过程持续进行，仅在数据的一个时代内完成。持续适应和逐渐恶劣的天气条件的组合为航空部署提供了实际的领域适应场景。在评估的模型中，我们考虑卷积和变换器体系结构进行比较。我们发现现有的基于缓冲区的持续领域适应方法在适应过程中存在稳定性问题，并提出梯度归一化作为一种简单的解决方案以抑制训练不稳定性。

Aug, 2023

本文提出一种通过利用 ImageNet 预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

Sep, 2021

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016