提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

Jul, 2019

本文通过多模式自我监督对齐方法及对抗式对齐方法，提高细粒度行为识别跨环境泛化能力。在 EPIC-Kitchens 数据集中，多模式自我监督训练可将性能提高 2.4%，结合对抗式对齐方法可超过其他对抗式训练方法 3%。

Jan, 2020

本研究提出了一种自监督时序领域自适应方法，将动作分割任务作为一个跨领域问题进行重新构造，通过利用未标记的视频来解决由空间 - 时间变化引起的域间差异问题，同时还使用二进制和连续领域预测两个辅助任务，以匹配局部和全局时间动态的特征空间，表现优于其他域自适应方法，并具有使用更少标记训练数据实现相当性能的优势。

Mar, 2020

通过将问题描述为域适应问题，该研究提出了混合时间域适应模型，以在帧和视频级别特征空间中对齐嵌入特征，并进一步与域注意力机制相结合，以便更有效地进行域适应。在 GTEA、50Salads 和 Breakfast 数据集上验证了该方法目前的有效性。

Apr, 2021

设计了一个针对视频数据的统一框架，同时规范化跨模态和跨领域特征表示，通过对UCF、HMDB和EPIC-Kitchens等领域适应性行动识别基准数据集的实验，证明了方法的有效性。

Aug, 2021

本研究提出了一种名为ATCoN的新的注意力机制深度神经网络，以解决视频领域无源域自适应的挑战，该网络通过学习特征一致性和源预测一致性来提高时间一致性，并使用预测置信度优化局部与整体时间特征，该方法在不同领域的动作识别基准中表现出卓越的性能。

Mar, 2022

本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。

May, 2023

利用大型语言视觉模型（LLVMs）进行领域自适应以提升无源视频无监督领域自适应（SFVUDA）方法的效果。

Aug, 2023

视频领域适应的对象化（但类别不可知）视频领域适应（ODAPT）框架通过利用目标领域中一组稀疏的具有类别不可知对象注释的帧来适应现有的动作识别系统，为新领域的适应提供了一种简单而有效的方法。

Nov, 2023

本研究解决了视频动作识别中的无监督领域适应问题。我们的方法称为UNITE，利用图像教师模型将视频学生模型适应到目标域。UNITE首先使用自监督预训练来促进目标域视频的辨别性特征学习，使用教师引导的遮蔽蒸馏目标进行自训练。然后，我们使用视频学生模型和图像教师模型一起对目标数据进行遮蔽自训练，生成改进的伪标签来处理无标签目标视频。我们的自训练过程成功地利用了两个模型的优势，在不同领域之间实现了强大的迁移性能。我们在多个视频领域适应基准上评估了我们的方法，并观察到比以前报告的结果有显著提高。

Dec, 2023