本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

Mar, 2020

使用Image-Instance Full Alignment Networks（iFAN）方法，通过部分训练生成对抗域分类器，实现了多尺度特征的图像级别的对齐和深度语义信息与实例表示的实例级别的对齐，并将这种方法应用于物体检测中，取得了SYN10K->Cityscapes和Cityscapes->Foggy Cityscapes领域适应任务的10%+AP提升。

Mar, 2020

本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

May, 2020

通过引入条件对抗学习，基于不确定性度量的领域自适应网络(UaDAN)能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

Feb, 2021

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

我们提出了自适应教师（AT）框架来解决使用教师-学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT利用领域对抗学习和弱-强数据增强来缓解这一问题。

Nov, 2021

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

利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

Nov, 2023

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

本研究针对目标检测中的领域转移问题，提出了一种名为对抗攻击教师法（AAT）的新框架，旨在提高伪标签的质量。通过对教师模型施加对抗攻击，生成更可靠的伪标签，显著改善了伪标签的偏差和有限自信性，最终在多个数据集上实现了优异的性能，达到Clipart1k数据集的52.6 mAP，领先之前的最先进水平6.7%。

Aug, 2024