一次性无监督跨域检测

May, 2020

One-Shot Unsupervised Cross-Domain Detection

Antonio D'Innocente, Francesco Cappio Borlino, Silvia Bucci, Barbara Caputo, Tatiana Tommasi

TL;DR本篇论文介绍一种多任务架构的目标检测算法，利用一次性适应的方法，自动适应不同的域，无需访问大量的目标数据，其中利用自监督任务和伪标签方法加强了适应，对比最新的跨域检测方法，研究结果显示该方法有优势，是 one-shot 情况下的最佳方法。

Abstract

Despite impressive progress in object detection over the last years, it is still an open challenge to reliably detect objects across visual domains. Although the topic has attracted attention recently, current ap

object detection visual domains unsupervised adaption multi-task architecture pseudo-labeling

发现论文，激发创造

通过渐进式域自适应进行跨领域弱监督物体检测

本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

Mar, 2018

目标检测无监督领域自适应：综述

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 2021

统一无监督域自适应与零样本视觉识别

该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影 (SLPP) 技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Mar, 2019

领域自适应目标检测的强健学习方法

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

Apr, 2019

多层域自适应学习用于跨领域检测

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

AcroFOD：一种跨领域少样本对象检测的自适应方法

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

自我监督下的无监督领域自适应

本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

Sep, 2019

利用自我训练实现目标检测器对新领域的自动适应

本文提出了一种基于未标注视频数据的无监督目标检测器自适应方法，该方法利用现有检测器的高置信度检测结果和跟踪器获取时序提示来自动获取目标数据标签，然后通过修改知识蒸馏损失函数和软标签的分配方法进行重新训练，实验结果表明该方法恰当地利用了追踪获取的困难样本，使用蒸馏损失函数的软标签优于硬标签，是一种简单且不依赖超参数的有效无监督目标检测器自适应方法。

Apr, 2019

目标检测渐进领域自适应

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

基于网络知识迁移的零注释目标检测

本文介绍了一种基于互联网图像的目标检测方法，使用了多实例、多标签和迁移学习的框架，并通过实例级别的对抗性域适应网络和同时转移的机制转移知识，实现了在基准数据集上比基线方法显著提升的弱监督检测器。

Nov, 2017