通过图形感知原型对齐（GPA）框架和加权对比损失最小化类不平衡，结合 Faster R-CNN 的特征对齐方式，可实现目标探测跨域适应。

Mar, 2020

本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

Jun, 2021

本文提出了一个联合自适应检测框架(JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中-state-of-the-art性能。

Sep, 2021

本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。

Mar, 2022

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

提出了一种基于平均教师框架的端到端跨域检测Transformer，该方法可以利用未标记的目标领域数据进行目标检测训练，并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代，实现了在三种领域适应场景下实现了最先进的性能，特别是Sim10k到Cityscapes情景下性能显著提高。

May, 2022

本论文提出了一种基于OADA的新型域自适应物体检测算法，通过考虑边界框偏移的特征条件化方法，解决了特征分布因物体种类和边界框偏移值而异的问题，并在实验中取得了最新颖的性能。

Jul, 2022

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

我们提出了一种名为MTM的两阶段框架，利用无监督领域自适应进行目标检测，其中包括遮蔽特征对齐的方法，该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型，在自训练阶段提高模型的目标性能。

Oct, 2023

我们提出了一种强大的基于DetR的检测器，名为Domain Adaptive Detection Transformer (DATR)，用于无监督域自适应目标检测，通过有效地对跨域特征进行类别感知的对齐，明确引导检测器实现全局表示，并通过使用教师模型生成的伪标签来减轻领域偏差，展示了我们的DATR在多个域适应场景中具有卓越的性能和泛化能力。

May, 2024