本文旨在提高物体检测的跨域鲁棒性，通过基于 Faster R-CNN 的两级域自适应组件来解决图像水平和实例水平的域偏移问题，实现域不变的 RPN 学习，从而提高物体检测在不同领域转移场景下的有效性。
Mar, 2018
本文提出了一种多级对抗 Faster-RCNN（MAF）框架，用于在非受限环境中利用从具有足够标签的辅助源域训练的领域知识检测对象，其中包括多个对抗域分类器亚模块、信息不变的尺度降低模块（SRM）以及加权梯度翻转层（WGRL）等，实验结果表明，MAF 在 Cityscapes，KITTI，Sim10k 等非受限任务中的表现优于现有检测器。
Jul, 2019
本文提出一种新方法以应对跨域少样本目标检测面临的数据不足及误导等问题，该方法由自适应优化策略与多层次领域感知数据增强两部分构成，最终在多个基准测试中取得最优表现。
Sep, 2022
提出一种基于不对称三路 Faster-RCNN 和辅助网络的非监督域自适应目标检测方法，在保证安全性的同时提高了区别性并在多个数据集上达到 SOTA 性能。
Jul, 2020
本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。
Jun, 2023
提出了一种少样本领域自适应框架，通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化，可改善源模型的分类性能，实验证明该方法优于测试时适应方法，并且没有实时流条件的限制。
May, 2022
本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。
Mar, 2020
提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。
May, 2024
面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。
Feb, 2024
本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。