提出了一种基于领域增量学习的解决方案 (Domain-Incremental Learning through Activation Matching, DILAM)，通过无监督特征对齐，将预训练模型适应于不同的天气条件，存储不同天气条件下的仿射参数，并在测试时利用轻量级的存储来自动推断天气状况，从而有效地解决了自动驾驶情景下目标检测模型在多变的天气条件下表现不佳以及遗忘的问题。

May, 2023

通过使用基于在线聚类的方法解决连续学习中的灾难性遗忘问题，成功地应用于域增量学习，并展示了这种方法在真实数据集上的有效性及与最先进方法的优越性能。

Sep, 2023

通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

Sep, 2023

通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

Dec, 2017

本文研究了基于印度驾驶数据集（IDD）进行物体检测的增量学习问题，提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法，并在 IDD 和 BDD100K 数据集上进行评估。结果表明，在环境领域移位的情况下，我们的领域适应性方法是有效的。

Sep, 2019

本研究提出了三种不同的跨领域和类别增量学习的目标检测模型，并利用注意力特征蒸馏方法进行知识的延续，并通过三种代表性的采样方法发现对不同目标类别的记忆较为困难，而领域之间的差异对目标检测的负面影响较小。实验表明，所提出的方法在七个目标检测基准数据集上均取得了显著的改进。

Feb, 2020

这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

Jul, 2023

我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

Jan, 2024

介绍了一个名为 Gradient-based Maximally Interfered Retrieval (GMIR) 的梯度采样策略，该策略可以用于 3D 目标检测中的连续学习以在恶劣天气条件下进行精确检测，与从头训练相比训练时间减少 46.25%。

Apr, 2023

本研究提出了一种名为 DARE 的新颖 DIL 方法，通过分歧、适应和细化的三阶段训练过程，逐步将与新任务相关的表示适应到由先前任务样本所覆盖的特征空间中，并同时整合任务特定的决策边界，有效减缓了特征编码器的表示漂移，降低了多个 DIL 基准下的灾难性遗忘，并且在任务边界处防止了突发的表示漂移，使得 DIL 模型的性能得到了良好校准，并保持了对先前任务的性能。

Jun, 2024