本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。
Apr, 2020
本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。
May, 2020
本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在'GTA5 to Cityscapes'和'SYNTHIA to Cityscapes'数据集上的任务中获得更好的性能表现。
Aug, 2020
本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。
Sep, 2020
本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。
Nov, 2020
本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。
May, 2021
本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。
Oct, 2021
通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。
基于深度学习的解决方案如何在面对与训练数据不同特征的情况下, 语义分割会有性能下降的问题, 针对此问题提出了一种无监督领域适应的方法, 利用辅助伪标签优化网络进行自训练, 实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.
Oct, 2023
通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。
May, 2024