ML-BPM: 开放式复合领域适应语义分割的双向光度混合多教师学习
本文提出了一种基于课程域适应策略和记忆模块的方法，以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类，面部表情识别，语义分割和强化学习上非常有效。
Sep, 2019
提出了一种基于元学习的OCDA方法MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用MAML算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。
Dec, 2020
该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过Cross-Patch Style Swap框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。
Jun, 2021
本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。
Jun, 2021
本文介绍了针对语义分割的无监督域自适应（UDA）的新方法——开放复合域自适应（OCDA）。该方法基于“发现、臆造、适应”三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的OCDA问题转化为多个简单的UDA问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。
Oct, 2021
该研究系统地研究了在领域自适应语义分割任务中应用Mixup的影响，并提出了一种简单而有效的混合策略 - 双向域混合（BDM），与多种最先进的自适应模型相结合，观察到了一致的显著改进。
Mar, 2023
本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在GTA5toCityscapes和SYNTHIA2Cityscapes基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023
应用Stochastic Compound Mixing方法进行开放式复合领域适应，通过降低源域与混合目标域之间的差异来改善模型泛化性能，这种方法在OCDA语义分割任务上实现了更低的经验风险，并与SoTA结果相比有显着的性能提升。
May, 2024
提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型(BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS在具有挑战性的OSDA-SS场景中有效地检测未知类别。
May, 2024