本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

Apr, 2022

我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

Jul, 2020

提出一种名为 UAD 的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

Feb, 2024

该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的 SFDA 方法，获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。

Jan, 2024

本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在 VisDA 上实现了最先进的性能（85.4％）。

Aug, 2021

本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。

Mar, 2023

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个 Chebyshev 置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师 - 学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

Oct, 2023

我们提出了一种新颖的基于不确定性伪标签引导的源域自由领域适应方法，通过目标领域增长和两次前向传递监督来提高医学图像分割的多样性和准确性，获得可靠的伪标签并进一步优化自适应性。在多个数据集上的实验证明，与基准方法相比，我们的方法在三个任务中平均提高了 5.54％，5.01％和 6.89％的 Dice 系数。

Sep, 2023

通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法，本文提出了一种更具泛化能力的无源域适应方法，在目标训练集和测试集上同时提高模型性能，实现了在多个无源域适应基准上的最先进性能，并展示在未知测试集上的鲁棒性。

Aug, 2023