本文研究了乳腺密度分布对深度学习模型在乳腺 X 光照片中的泛化性能的影响，并使用 VinDr-Mammo 数据集探索了域自适应技术，特别是噪声潜在可转移性探索（NLTE）框架下的域自适应目标检测（DAOD）来改善模型性能。结果显示，DAOD 和所提出的增强框架可以提高深度学习模型的泛化性能，特别是在乳腺密度分布的情况下，这对乳腺 X 光照片具有重要意义。

Jun, 2023

通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

Apr, 2024

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

Apr, 2019

提出了基于蒸馏的无偏对齐 (Distillation-based Unbiased Alignment, DUA) 框架及目标相关对象定位网络 (Target-Relevant Object Localization Network, TROLN)，解决了领域自适应目标检测中源偏差和领域转移问题，通过蒸馏方式调整源特征位置，利用目标相关知识生成无需分类的两个度量指标 (IoU 和 centerness)，并采用领域感知的一致性增强策略 (DCE) 进一步改善分类一致性和定位准确性，在跨领域情景中显著提升性能，超过已有基于对齐的方法。

Nov, 2023

我们提出了 US-DAF 方法来解决通用域自适应目标检测中的负迁移问题，提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现：1）设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2）引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明，US-DAF 方法在三种场景下均达到了最先进的结果，并在 Clipart1k 和 Watercolor 基准数据集上获得了 7.1％和 5.9％的相对改进。

Jul, 2022

提出了一种名为 DA-Pro 的新型 DAOD 框架，将可学习的域适应提示应用于生成每个域的动态检测头，以从每个域中学习辨别探测器，以提高域自适应目标检测效果。

Jun, 2023

本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

Mar, 2022

这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

Jun, 2024

通过引入统一的基准测试和实施框架 ALDI、公平且现代的培训与评估协议、新的 DAOD 基准数据集 CFC-DAOD 以及 ALDI++ 方法，我们提供了一个关键的重启点用于域自适应物体检测（DAOD）并为未来的研究奠定了坚实的基础。

Mar, 2024

远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

Jan, 2024