通过将问题描述为域适应问题，该研究提出了混合时间域适应模型，以在帧和视频级别特征空间中对齐嵌入特征，并进一步与域注意力机制相结合，以便更有效地进行域适应。在 GTEA、50Salads 和 Breakfast 数据集上验证了该方法目前的有效性。

Apr, 2021

本文介绍了一种针对稀疏时序行为定位的无监督领域自适应方法，称为语义对抗无监督领域自适应 (SADA)。通过引入一种对局部类别分布敏感的新型对抗损失函数，SADA 在多个领域之间的自适应中显著提升性能。相比于完全监督的最先进方法和其他 UDA 方法，SADA 在多种领域转移情况下实现了相对性能提升高达 14%。

Dec, 2023

本文提出了一种新的、针对视频语义分割的无监督域自适应方法，通过视频对抗训练和视频自我训练等网络，在实验中取得了优异的成绩，表明这一方法可以有效地将模拟数据转移到实际场景中，缓解视频领域对数据的需求。

Jul, 2021

本研究提出了一种名为 ATCoN 的新的注意力机制深度神经网络，以解决视频领域无源域自适应的挑战，该网络通过学习特征一致性和源预测一致性来提高时间一致性，并使用预测置信度优化局部与整体时间特征，该方法在不同领域的动作识别基准中表现出卓越的性能。

Mar, 2022

本文研究了视频语义分割的源无域自适应（SFDA），提出了一种新的叫做 Spatio-Temporal Pixel-Level contrastive learning 的方法，该方法通过利用时空信息来解决源数据缺失的问题，并在视频语义分割基准测试中取得了最先进的性能。

Mar, 2023

通过引入双向多级时空融合模块和类别感知的时空特征对齐模块，提出了一种新颖的 DA-STC 方法来解决视频语义分割任务中的领域自适应问题，并在多个具有挑战性的基准测试上取得了最先进的 mIOUs。

Nov, 2023

本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。

May, 2023

本研究提出了一个更大规模的视频领域自适应数据集 UCF-HMDB_full，并探究了不同的 Integration 方法以及通过指定领域距离来显式关注时间动态的方法 TA3N 来实现更有效的域适应。

May, 2019

本篇文章研究骨架动作识别的跨数据集问题，并提出了一种基于自监督的域自适应方法，通过对时间和空间分段来探索模型的时空依赖关系并提高模型的泛化能力，实验结果证明该方法优于其他方法。

Jul, 2022

本文通过多模式自我监督对齐方法及对抗式对齐方法，提高细粒度行为识别跨环境泛化能力。在 EPIC-Kitchens 数据集中，多模式自我监督训练可将性能提高 2.4%，结合对抗式对齐方法可超过其他对抗式训练方法 3%。

Jan, 2020