跨领域的自监督学习
本研究旨在将自适应方法应用于不同领域中的对象识别任务。通过受监督的信号和自监督的信号来学习和合并知识，扩展模型对数据的理解并提高分类任务的准确性。经过多次实验验证，本方法相较之前的方法在域通用性和适应性上具有更好的效果。
Mar, 2019
本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。
Apr, 2019
本文提出了一种自我监督域自适应的通用方法，重点关注简单的预训练任务，如图像旋转预测，运用于对象识别和城市场景语义分割等场景，并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。
Jul, 2019
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
本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。
Mar, 2020
通过对自监督学习在卫星图像等各个领域的实验发现，旋转任务是语义最具意义的，而Jigsaw和Instance Discrimination的性能很大程度上归因于它们诱导分布的特性，但在细粒度分类等任务上所有任务的表现均不佳，这些成功和失败的原因通过对预训练泛化、随机标签和隐含维度的研究进行了定量和定性的诊断。
Apr, 2020
提出了一种基于神经网络的领域泛化框架，它使用多任务学习范式的特征嵌入形式，在进行普通的监督识别任务的同时，还无缝集成了动量度量学习任务和自我监督辅助任务，以共同利用外部监督和内在监督，并通过使用 K-hard 负采样的有效动量度量学习方案，来提升网络的性能。对 VLCS 和 PACS 两个标准目标识别基准进行测试，结果表明该方法达到了最先进的性能表现。
Jul, 2020
本文提出了一种端到端的Prototypical Cross-domain Self-Supervised Learning (PCS)框架，通过在共享嵌入空间中编码和对齐语义结构，不仅执行跨域低级特征对齐，而且捕捉数据的类别间语义结构。与最先进的方法相比，PCS在FUDA上在不同域对之间的平均分类精度分别提高了10.5％，3.5％，9.0％和13.2％。
Mar, 2021