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

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

本文提出一种基于 Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

Jun, 2022

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

无监督域自适应对标记数据集域与无标记数据集域之间的知识转移非常有效，开放集域自适应解决了目标域中可能存在的未知类别问题，这项工作探索了使用 CLIP 来应用于开放集域自适应的通用方法，并通过熵优化策略提高了模型性能，提供了在多个基准测试上最新的结果，证明了其在解决目标域适应问题中的有效性。

Jul, 2023

这篇论文提出了一个高度实际倡导 our method outperforms specific open set detection, test-time adaptation, and SF-OSDA methods to establish a new state-of-the-art on three public histopathological datasets (Kather-16, Kather-19, and CRCTP) for colorectal cancer assessment.

Jul, 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

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

该研究提出了一种新的无监督开放式域自适应方法，其中提出的上限包括四个术语：源域风险，ε- 开放集差异，域之间的分布差异和一个常数。模型训练完成后，其表现在多个基准数据集，包括数字识别 (MNIST，SVHN，USPS)，物体识别 (Office-31，Office-Home) 和人脸识别 (P：IE) 方面已经达到了最先进水平。

Jun, 2020