该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上mAP平均精度方面的表现优于现有技术达到了3%~11%的大幅度提升。

May, 2019

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

本论文提出了一种新的粗-细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

Mar, 2020

该研究提出了一种新的CNN模型迁移多样性学习的方法，将权重视为一系列运动模式，通过抑制特定领域的干扰，并集中在领域不变方向上，成功地在多个对象检测任务中实现了显著的性能提升。

May, 2021

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 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

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

本研究提出了一种适用于目标检测的新型统一自适应框架，可以在线适应和改进目标领域的泛化能力，并使用MemXformer作为记忆模块和对比损失来增强目标特定的表示学习。

Apr, 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