跨领域图像分类的多表示自适应网络
本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。
Feb, 2016
本文介绍领域自适应和迁移学习的概述，涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法，以及将领域适应与其他机器学习解决方案相关联的讨论。
Feb, 2017
本文介绍了一个基于非线性嵌入变换的无监督域自适应方法，通过域对齐降低跨域差异，降低数据分布间的偏移，使得相似的数据点可以聚类在一起，提高了分类的性能，并提出了基于样本抽样的验证过程，以确定无监督域适应模型的参数，最后在多个图像数据集上对比了该方法和其他竞争算法的分类结果。
Jun, 2017
本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。
Feb, 2018
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
本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。
Jan, 2019
本文提出了一种高效实现的深度残差校正网络，该网络使用一个残差块与任务特定的特征层插在源网络中，以有效增强从源到目标的自适应性，明确削弱不相关的源类的影响，并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分，传统和细粒度跨领域视觉识别方面的全面实验表明，DRCN优于竞争的深度域自适应方法。
Apr, 2020
该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法，通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐，从而不需要敌对训练且收敛速度快，在对象识别和数字分类任务中均取得了显着的结果。
Jun, 2021