研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

本文提出了一种新颖的域泛化框架，通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力，从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明，该方法在多个基准细分数据集上都取得了最新的前沿成果。

Mar, 2020

本研究提出了一种基于分层原型模型和层次内存的神经记忆方法，该方法能够在领域转移的情况下，灵活地依赖不同语义层面的特征来适应新任务，而数据驱动的学习方法进一步可以使模型自适应地选择最具通用性的特征。该方法通过大量消融实验验证了性能的显著提升，尤其在跨领域和少样本分类方面表现出了显著优势。

Dec, 2021

本文尝试使用基于元学习的框架，旨在实现语义解析的零 - shot 泛化能力，实验结果表明，这种方法对 Spider 数据集上的解析表现有显著的提升。

Oct, 2020

深度神经网络在人工智能领域带来了革命性的进展，但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布，然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法，通过获取可传递的知识来快速适应各种任务，从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法，全面调查了元学习在领域泛化方面的贡献，详细介绍了该领域的基础知识，并提供了关于未来研究方向的实践见解和深入讨论。

Apr, 2024

提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法，旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。

Oct, 2021

本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

Jan, 2023

通过利用语言作为随机化的源，在语义分割网络中引入简单的框架来实现泛化。通过最小化微调、语言驱动的局部样式增强和在训练过程中混合源和增强样式的随机化三个关键要素，我们进行了大量实验，在各种泛化基准测试中取得了最先进的结果。

Nov, 2023

本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

Apr, 2021

提出了一种利用记忆增强网络来解决三维点云场景理解中实例和语义分割中的样本不平衡问题的解决方案。该方法引入了一个记忆模块，通过记录小批量训练中所见的模式来缓解遗忘问题，这样所学习到的存储项目能够反映出支配类别和非支配类别 / 案例的可解释和有意义的信息，从而导致更好的性能和通用性。

Jan, 2020