我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。

May, 2018

本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

Jul, 2019

提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

Jul, 2019

在没有使用带标签源数据集的情况下，提出了一种新颖的领域适配范式，其中源培训模型被用于实现适应。该方法包括一种知识继承度量方法，以及一种可实现适应的继承模型选择方法。在视觉识别任务中进行综合实验评估，取得了最先进的开放域适配性能。

Apr, 2020

本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。

Feb, 2022

通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含Office-31和Office-Home数据集的广泛实验中，对OVANet进行评估，观察到连续改进的结果，Office-31的准确率和H-Score绝对增益高达1.3％，Office-Home的准确率增益为5.8％，H-Score增益为4.7％。

Sep, 2023

Open Set Domain Adaptation (OSDA) is addressed using a Mixture-of-Expert (MoE) framework, where Dual-Space Detection detects unknown class samples by exploiting inconsistencies between the image feature space and the routing feature space, and Graph Router utilizes spatial information among image patches to improve accuracy and effectiveness.

Nov, 2023

Unknown Sample Discovery (USD)是一种利用时间集成的教师模型进行已知-未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的SF-OSDA方法，着重推进Jensen-Shannon距离（JSD）作为已知-未知样本分离的有效度量。

Dec, 2023

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型(BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS在具有挑战性的OSDA-SS场景中有效地检测未知类别。

May, 2024

本研究针对神经网络模型在连续学习视觉领域时会遭遇的灾难性遗忘问题，提出了一种抗遗忘的增量学习策略。我们创新性地提出了一个无监督的增量开放集领域适应（IOSDA）问题，并开发了IOSDA-Net模型，该模型通过生成框架复现先前域并适应当前目标域，从而显著提高了在多个目标域上的图像分类性能。

Aug, 2024