使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。

Nov, 2023

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

本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。

Sep, 2021

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

通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

Dec, 2020

该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的 SFDA 方法，获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。

Jan, 2024

本文研究基于 ImageNet 预训练特征提取器的共同学习框架，以提高面向目标域的伪标记质量并进行迁移学习，同时使用熵最小化来提高非伪标记样本的预测精度，并在三个基准数据集上进行评估。结果显示，该方法优于现有的面向源自由域适应方法和假设联合访问源和目标数据的无监督域适应方法。

Dec, 2022

本篇论文研究了源领域无标签数据的黑盒非监督域适应 (B$^2$UDA) 问题，在此基础上提出了一种名为 Iterative Learning with Noisy Labels (IterLNL) 的简单有效方法，通过黑盒模型作为噪声标签工具进行噪声标注和学习，迭代解决该问题。实验表明，无需源数据和源模型，IterLNL 的表现可与传统有标签源数据的 UDA 方法相媲美。

Jan, 2021

该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

Feb, 2023

本文从标签噪声学习的角度出发，探究了在无源领域适应中的标签噪声。研究表明，仅依赖分布假设的 LLN 方法无法应对 SFDA 中的标签噪声。同时，我们证明了早期训练现象也可在 SFDA 中应用，并利用此方法提高了现有 SFDA 算法的性能。

Jan, 2023