本文介绍了一种名为 SIA_Adapt 的方法，该方法结合了多种领域自适应模型的方法，在实体分割任务中实现了在未标记的情况下从一个已知领域到目标领域的迁移，并在应用于工业废物分类方面取得了很好的效果，代码公开在 https://github.com/DaehanKim-Korea/VisDA2022_Winner_Solution

Nov, 2022

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

本篇论文介绍了 2017 年度视觉领域自适应（Visual Domain Adaptation, VisDA）数据集及竞赛，是一种用于跨视觉领域无监督领域自适应的大型测试平台，主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领域对象分类数据集，涵盖了 12 个类别，共 280,000 多张图像。同时，该数据集还包含超过 30K 图像的图像分割数据集。

Oct, 2017

本论文提出了用于视觉域自适应挑战（VisDA-2020）中的领域自适应行人重新识别（Re-ID）任务的两阶段训练方法，并采用伪标签生成策略和多模型组合等方法，在测试集上实现了 76.56％的 mAP 和 84.25％的 rank-1。

Dec, 2020

多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

Dec, 2023

该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

Apr, 2020

该论文提出了一种新的多源蒸馏领域自适应（MDDA）网络，该网络考虑了多个源和目标之间的不同距离以及源样本与目标样本的不同相似性，通过预先训练源分类器、将目标映射到每个源的特征空间、选择最近的源样本进行微调和使用不同的域权重对不同预测进行聚合等四个阶段实现。实验表明，该方法明显优于现有的方法。

Nov, 2019

本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

Dec, 2020

本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

Feb, 2020

在深度学习时代，由于很难获得大规模标记数据来训练先进的深度神经网络，因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法，而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中，我们首先定义了各种多源领域适应策略。接着，我们从不同的角度系统地总结和比较了现代多源领域适应方法，以及常用的数据集和一个简单的基准测试结果。最后，我们讨论了值得探索的多源领域适应的未来研究方向。

May, 2024