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
本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。
May, 2020
提出一种基于不对称三路Faster-RCNN和辅助网络的非监督域自适应目标检测方法，在保证安全性的同时提高了区别性并在多个数据集上达到 SOTA 性能。
Jul, 2020
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
本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。
Jun, 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
本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法，以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。
Oct, 2021
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％。
该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。
Jan, 2023
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