本文提出基于 D-adapt 的跨域目标检测方法，通过对对抗性适应性和检测器训练的分离来消除前景和背景特征的混淆，并通过引入边界框适配器来填补物体检测中回归域适应的空白， 在四项跨领域目标检测任务中取得了最先进的结果，并在特别是 Clipart 1k 和 Comic 2k 这两个基准数据集上相对提高了 17％和 21％。

Oct, 2021

本文提出了一个联合自适应检测框架 (JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中 - state-of-the-art 性能。

Sep, 2021

通过引入条件对抗学习，基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

Feb, 2021

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

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

本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

Nov, 2023

本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

Mar, 2020

利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

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

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 2021