提出了一种新颖的领域适应方法，将在大型易于获得的源数据集 (例如，合成图像) 上学习的视觉表示适应到目标实际世界领域，不需要昂贵的手工数据注释。作者使用弱对齐图像，结合分布对齐的方式来解决实际和模拟环境差异的问题，并在机器人操作任务上对其进行了评估。

Nov, 2015

本文提出了一种基于深度学习、领域泛化的新方法，通过在测试时优化地组合已知领域的不同分类模型来解决机器人视觉中的场所分类问题。

May, 2018

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

本研究提出了一种基于场景不可知几何计算和贝叶斯推理的在线适应深度视觉里程计的框架，该方法采用了自监督学习，解决了深度学习视觉里程计训练数据和测试数据之间的域差异，通过光流和深度等信息实现姿态估计，具有良好的通用性和自适应性。

Mar, 2021

本文研究地理鲁棒性问题，提出 GeoNet 数据集并探究其背后的分布变化，表明现有无监督领域适应算法和大规模预训练不足以处理地理适应问题。

Mar, 2023

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

Apr, 2019

本文介绍了一种基于自我监督学习的全新方法，在日常机器人导航中检测到的目标变化可作为额外先验，以进一步提高未来变化检测任务的效果。该方法在地面小物体变化检测等实际应用场景中得到了验证。

Jun, 2023

本研究通过量化视觉问答（VQA）数据集在视觉和文本空间上的领域漂移，构建并测试不同家族的 VQA 方法（经典的两流，Transformer 和神经符号方法）的鲁棒性以及现有的领域自适应方法的适用性，并设计了一种新的跨越 VQA 领域差距的自适应方法。

Mar, 2021

提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

Jun, 2019

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