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

使用Image-Instance Full Alignment Networks（iFAN）方法，通过部分训练生成对抗域分类器，实现了多尺度特征的图像级别的对齐和深度语义信息与实例表示的实例级别的对齐，并将这种方法应用于物体检测中，取得了SYN10K->Cityscapes和Cityscapes->Foggy Cityscapes领域适应任务的10%+AP提升。

Mar, 2020

本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

May, 2020

通过引入条件对抗学习，基于不确定性度量的领域自适应网络(UaDAN)能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

Feb, 2021

本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

Jun, 2021

本文提出了一个联合自适应检测框架(JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中-state-of-the-art性能。

Sep, 2021

提出了一个广义的Unsupervised Domain Adaptation框架, 基于此直接实现了ViSGA算法, 通过视觉相似性分组来聚合特征, 并基于对抗训练进行群体对齐, 并将其应用在多源数据集中, 在Sim2Real和Adverse Weather数据集上取得了优于之前方法的性能。

Oct, 2021

本论文提出了一种基于OADA的新型域自适应物体检测算法，通过考虑边界框偏移的特征条件化方法，解决了特征分布因物体种类和边界框偏移值而异的问题，并在实验中取得了最新颖的性能。

Jul, 2022

该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。

Jan, 2023

本文针对当前无源领域自适应目标检测中的关键语义损失问题，提出了一种新颖的弱到强对比学习方法（WSCoL），旨在提高表示学习的效果。通过在弱特征中提炼无损语义知识，引导强特征的学习，实验证明该方法在传统的均值教师框架中表现出色，有效缓解了特征提取中的语义损失。

Oct, 2024