本研究提出一种增量学习方法，可在不影响之前学习到的类别的情况下，学习新类别的语义分割，同时，利用记忆网络来记忆之前学习到的信息。

Oct, 2018

ACE是一个语义分割框架，它可以动态适应随时间发生的输入分布的变化，并通过将原始来源的标记训练数据的分布与来自变换域的即将到来的数据分布对齐，从而合成样式化数据。为了避免忘记以前领域中的知识，我们引入了一个存储以前发现的领域的功能统计信息的存储器。许多实验表明，ACE在适应许多任务时具有明显的优势。

Apr, 2019

本文提出了一种基于用户纠错信息的object segmentation方法，使用卷积神经网络进行模型训练，并实现了在测试时动态更新模型参数以适应数据的特点，从而在8个不同数据集上得到了较为优异的实验结果。

Nov, 2019

提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法，旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。

Oct, 2021

提出了一种新的问题表述和相应的评估框架来推进无监督领域自适应语义图像分割的研究；介绍了一种在线学习的协议，旨在解决现有协议对于模型的领域局限性和离线学习性质导致算法难以在不断变化的环境中连续自适应的问题，并伴随着多种基准算法和广泛的行为分析。

Mar, 2022

提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准UDA方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

Apr, 2022

本文介绍了一种针对语义分割的在线域自适应框架，能够有效地适应不断变化的域，包括降雨和雾霾天气，同时避免了之前域的灾难性遗忘现象。

Jul, 2022

本调查总结了涵盖二十年的SiS研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势, 并强调了DASiS技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

Feb, 2023

提出了一种新的轻量级模型——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

Jul, 2023