通过从源领域训练，视频领域泛化旨在为未见过的目标领域学习具有普适性的视频分类模型。克服视频领域泛化的一个关键挑战是在识别目标视频时，抵制对来自源领域的特定于领域的线索的过度依赖。为此，我们提出了一种名为 “时空多样化网络（STDN）” 的新模型，该模型旨在感知视频中多样化的时空线索，以发现除特定于领域的线索之外的潜在的领域不变线索。首先，我们的 STDN 提出通过空间分组在单个帧中发现各种类型的空间线索。然后，我们的 STDN 提出通过空间 - 时间关系建模在多个空间 - 时间尺度上显式地建模视频内容之间的空间 - 时间依赖关系。对三个不同类型的基准测试进行的大量实验证明了我们方法的有效性和通用性。

Oct, 2023

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

本文旨在解决域适应问题，提出训练方法和策略，包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能，还表明该方法有助于计算机视觉中的标准方法。

Jan, 2019

提出了一种名为 DRAIN 的方法来解决时域领域通用问题，通过 Bayesian 方法建立动态图结构神经网络，在考虑模型参数和数据分布在不同时间点的动态漂移的同时，提供了理论保证，具有较高的有效性和效率。

May, 2022

本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

Oct, 2017

本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

May, 2018

通过结合多层和多尺度的特征，利用深度卷积神经网络来提高图像分类器的领域泛化能力，并提出了一种新颖的目标函数，使用对比学习的方法约束提取的特征在分布转移下保持不变，实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。

Aug, 2023

提出了一种文本引导的域泛化框架，用于增强人脸反欺诈技术的域泛化性能，通过文本信息进行跨域对齐，设计了多层次注意融合模块和文本增强视觉判别器，实现了更好的分类和域适应能力，并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。

Nov, 2023

通过引入额外的文本信息，本文提出了一种新的基于文本引导的域泛化（TDG）范式，其中包括自动词语生成、基于提示学习的文本特征生成以及利用图像特征和生成的文本特征来训练分类器，提高域泛化性能的技术都以一种易于实现的方式融入到 TDG 中。在几个域泛化基准上的实验结果表明，我们提出的框架通过有效利用生成的文本信息在域泛化中取得了卓越的性能。

Aug, 2023

该研究论文提出了一个公平且对比度特征空间正则化的算法，名为 FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

Jun, 2023