本研究提出一种针对无监督领域自适应的不对称三方训练方法，该方法利用神经网络对未标记的样本进行伪标记并训练网络来提高准确性。研究结果表明，该方法在数字识别和情感分析数据集上取得了最先进的性能。

Feb, 2017

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

该研究提出一种名为Auxiliary Target Domain-Oriented Classifier (ATDOC)的模型，旨在解决在无监督域适应中伪标签分布偏移和分类器偏置的问题。该模型基于最近邻居和内存机制，在多种领域适应基准和半监督任务上显着优于领域对齐技术和先前的半监督技术。

Jul, 2020

本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在'GTA5 to Cityscapes'和'SYNTHIA to Cityscapes'数据集上的任务中获得更好的性能表现。

Aug, 2020

本研究提出了一种 Two-phase Pseudo Label Densification （TPLD）框架来解决自我训练中的次优模型问题，该框架在处理有序标签方面取得了显着改善，并与现有的CRST自我训练框架相结合，在标准的UDA基准测试上实现了最新的技术成果。

Dec, 2020

提出了一种基于自我训练和预测一致性的无监督域自适应算法（SENTRY），它利用随机图像变换的委员会评估目标实例的可靠性，通过增加高度一致性目标实例的置信度，减少高度不一致实例的置信度来选择性地最小化预测熵和最大化预测熵。该算法结合了基于伪标签的近似目标类平衡方法，在标签分布转移方面具有优异表现。

Dec, 2020

通过在无标签目标样本的训练中引入能量函数最小化目标的约束，该论文提出改进的深度自训练框架，以提高无监督域适应的性能，并在大规模图像分类和语义分割任物上进行了广泛的实验。

Aug, 2022

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

基于深度学习的解决方案如何在面对与训练数据不同特征的情况下, 语义分割会有性能下降的问题, 针对此问题提出了一种无监督领域适应的方法, 利用辅助伪标签优化网络进行自训练, 实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

Oct, 2023