本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Sep, 2018

本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。

Jul, 2020

本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。

Apr, 2021

本研究提出了一项通过交叉域相关性蒸馏的新颖域适应框架，称为 CCDistill，旨在充分利用两个图像之间的不变性，从而弥补夜间图像标签缺乏的不足，并实现了夜间语义分割的最先进性能。

May, 2022

提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

Aug, 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

提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

Dec, 2017

我们提出了一种转移学习框架，通过基于扩散的生成模型在少量真实数据情景下改善目标检测器的性能，从而解决了数据有限性的挑战。该方法在海洋生物学和城市环境中的鱼类和汽车目标检测任务中取得了与数千张图像训练模型相媲美的检测性能，为各个领域的基于生成 AI 的机器学习应用开辟了新的途径。

Feb, 2024

本文提出了一种基于领域自适应的行为识别方法，使用对抗学习在跨域场景中学习跨域动作识别，从而实现对低光条件下的人类行为进行识别，并在 InFAR 和 XD145 动作数据集上取得了 SOTA 表现。

Oct, 2022

本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

Mar, 2021