本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

Sep, 2023

该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

Oct, 2019

该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。

Jan, 2023

通过引入一种名为 CMDA 的新型无监督领域适应方法，利用图像模态（即相机图像）中的视觉语义线索作为一种有效的语义桥梁来缩小跨模态鸟瞰图表示的领域差距，并采用对抗性自我训练策略，使模型生成具有领域不变性的特征，从而为新的数据分布提供高度信息化和领域自适应的 3D 目标检测模型。在包括 nuScenes、Waymo 和 KITTI 在内的大规模基准测试中，以上所述方法为无监督领域适应任务带来了显著的性能提升，并达到了最先进的性能水平。

Mar, 2024

提出了适用于复杂驾驶环境中异常物体分割的多粒度跨域对齐（MGCDA）框架，该框架将新的多源领域对抗训练（MDAT）模块和新的跨域异常感知对比学习（CACL）方法结合起来，以增强模型的普适性，无缝地整合多域数据，并在场景和样本级别上进行操作。

Aug, 2023

本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。

Mar, 2022

领域自适应方法针对目标检测（OD）旨在通过促进源域和目标域之间的特征对齐来减轻分布偏移的影响。多源域自适应（MSDA）允许利用多个带注释的源数据集和未标记的目标数据以提高检测模型的准确性和鲁棒性。最先进的 MSDA 方法通常采用类不可知的特征对齐，但由于不同领域中对象的外观变化而产生了独特的模态信息，这是具有挑战性的。最近的基于原型的方法提出了一种针对类别的对齐，但由于噪声伪标签导致的误差累积，这可能会对不平衡数据的适应产生负面影响。为了克服这些限制，我们提出了一种基于注意力的类条件对齐方案，用于 MSDA，该方案通过对齐每个对象类别的实例来实现。特别地，注意力模块与对抗性域分类器相结合，可以学习域不变和类别特定的实例表示。对多个基准 MSDA 数据集进行的实验结果表明，我们的方法优于现有方法，并且对于类别不平衡具有鲁棒性。我们的代码可在此 https URL 中找到。

Mar, 2024

本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

Aug, 2021

在跨域目标检测中，我们提出了基于记忆的实例级领域适应框架，通过动态存储和检索记忆模块来对齐源实例和目标实例，实验结果表明我们的方法显著优于现有的非记忆方法。

Sep, 2023

本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

Jul, 2020