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

本文介绍了一种针对单阶段物体检测的领域自适应方法，该方法采用了弱自训练和对抗背景分数正则化技术来稳定训练过程并减少域漂移，实验结果表明，这种方法有效地提高了模型在无监督领域自适应设置下的性能。

Sep, 2019

本研究提出了一种新的UMT模型，通过消除教师模型的偏差、使用像素级别的自适应增强训练样本、以及采用基于分布的估算策略来选择最适合当前模型的样本，从而消除了跨域识别中常见的模型偏差，并取得了显著的性能提升。

Mar, 2020

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

本文提出了一种统一的、通用的框架——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

May, 2023

无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过2% mAP的最先进性能。

Aug, 2023

现有的目标检测器在处理训练和真实世界数据之间的领域转变方面面临挑战，尤其是在雾天和夜晚等低能见度条件下。我们提出了一种名为Adversarial Defense Teacher（ADT）的简单而有效的框架，通过利用对抗性防御来提高教学质量，并通过Zoom-in Zoom-out策略解决低能见度条件下的小目标问题。我们的结果表明，ADT在Foggy Cityscapes上达到了54.5％的mAP，超过了先前的最先进技术2.6％的mAP。

Mar, 2024

我们提出了Class-Aware Teacher（CAT）来解决域自适应设置中的类别偏差问题，并利用我们的Inter-Class Relation module（ICRm）来近似类别关系，减少模型内的偏差，从而在高相关类别上使用增强方法以提高少数类别的性能，同时对多数类别影响最小。通过在不同数据集上的实验证明，我们的方法能够解决域自适应设置中的类别偏差问题，在Cityscapes到Foggy Cityscapes数据集上，我们实现了52.5 mAP的性能，显著改进了现有最先进方法的51.2 mAP。

Mar, 2024

该论文研究领域自适应的目标检测，提出了几种简化的方法来替代复杂的方法，同时通过批量标准化层和伪标签的训练等方式，实现了与以往方法相媲美的性能。

Jul, 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