本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战， 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足， 在两个挑战性数据集 TuSimple 和 CULane 中，我们的方法相对于现有领域自适应算法，在准确性和 F1 分数方面分别提高了 8.8％和 7.4％。

Jun, 2022

提出了一种名为 LIDAPS 的新型模型，通过 IMix 策略实现了实例级的域适应，提高了全景质量，并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中取得了最先进的结果。

Apr, 2024

使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

Mar, 2024

介绍一种名为 Mix/UnMix 的简单有效的数据增强方法，用于半监督目标检测框架，能够让混合输入图像瓦片从特征空间中分离并重构，通过非插值伪标签获得插值正则化效果，成功生成具有意义的弱 - 强对。在 MS-COCO 和 PASCAL VOC 数据集上广泛实验，表明 MUM 优越性能在所有测试的 SSOD 基准协议上持续提高 mAP 性能。

Nov, 2021

本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

Apr, 2023

本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

Sep, 2021

提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

May, 2023

通过深度学习模型，结合光谱 - 时间序列数据和地理 - 地形和气候信息，提高多光谱遥感数据中土地利用和土地覆盖类型的成分估计，该研究还提供了一个新的标记数据集和代码。

Oct, 2023

本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

Apr, 2023