简单有效：基于图像统计匹配的领域自适应方法
本文介绍了一种针对未标注数据，从特征丰富（label-rich）的数据领域向特征稀少（label-poor）的数据领域进行无监督目标检测适应的方法，并提出了一种针对局部特征的强对齐模型和弱全局对齐模型, 实验表明我们的方法在四个数据集上的鲁棒性。
Dec, 2018
该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上mAP平均精度方面的表现优于现有技术达到了3%~11%的大幅度提升。
May, 2019
通过引入条件对抗学习，基于不确定性度量的领域自适应网络(UaDAN)能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。
Feb, 2021
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
本文提出了一个联合自适应检测框架(JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中-state-of-the-art性能。
Sep, 2021
提出了一个广义的Unsupervised Domain Adaptation框架, 基于此直接实现了ViSGA算法, 通过视觉相似性分组来聚合特征, 并基于对抗训练进行群体对齐, 并将其应用在多源数据集中, 在Sim2Real和Adverse Weather数据集上取得了优于之前方法的性能。
Oct, 2021
无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过2% mAP的最先进性能。
Aug, 2023
在跨域目标检测中，我们提出了基于记忆的实例级领域适应框架，通过动态存储和检索记忆模块来对齐源实例和目标实例，实验结果表明我们的方法显著优于现有的非记忆方法。
Sep, 2023