本篇论文介绍了 2017 年度视觉领域自适应（Visual Domain Adaptation, VisDA）数据集及竞赛，是一种用于跨视觉领域无监督领域自适应的大型测试平台，主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领域对象分类数据集，涵盖了 12 个类别，共 280,000 多张图像。同时，该数据集还包含超过 30K 图像的图像分割数据集。

Oct, 2017

本文介绍了一种名为 SIA_Adapt 的方法，该方法结合了多种领域自适应模型的方法，在实体分割任务中实现了在未标记的情况下从一个已知领域到目标领域的迁移，并在应用于工业废物分类方面取得了很好的效果，代码公开在 https://github.com/DaehanKim-Korea/VisDA2022_Winner_Solution

Nov, 2022

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

部署机器学习系统到未知领域时，需要它们能够有效利用先前的知识，同时对异常输入发出警报。本文提出了一个全面的自然语言基准，以验证模型的普适性和鲁棒性，并观察到原本设计用于图像输入的 UniDA 方法可以有效地迁移到自然语言领域，并强调了适应难度对模型性能的影响。

Oct, 2023

本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

Dec, 2020

研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题，发现标准适应方法不足以解决当前的挑战，需要专业的地理适应解决方案。

Apr, 2022

无监督域自适应对标记数据集域与无标记数据集域之间的知识转移非常有效，开放集域自适应解决了目标域中可能存在的未知类别问题，这项工作探索了使用 CLIP 来应用于开放集域自适应的通用方法，并通过熵优化策略提高了模型性能，提供了在多个基准测试上最新的结果，证明了其在解决目标域适应问题中的有效性。

Jul, 2023

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

在实际的机器学习应用中，分布偏移是相当常见的。领域自适应（DA）旨在通过提供各种适应模型到部署数据的框架，无需使用标签来解决这个问题。然而，领域偏移场景提出了一个更为微妙的挑战：在没有访问标记的验证集的情况下，执行这些适应算法的超参数优化（HPO）变得困难。本文通过对一套候选验证标准进行基准测试和评估流行的适应算法来分析使用良好评价实践时，领域适应的状况。研究结果显示，领域自适应方法的三个分支，包括无监督领域自适应（UDA）、无源领域自适应（SFDA）和测试时间自适应（TTA）都存在挑战。尽管结果显示，实际可达到的性能通常比预期差，但同时也表明使用适当的验证分割是有益的，同时还显示了一些以前未开发的验证指标迄今为止是最佳选择。总体而言，我们改进的数据、训练、验证和超参数优化实践形成了一个新的严格流程，以改进该重要领域的基准测试，从而推动研究进展。

Sep, 2023