该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上mAP平均精度方面的表现优于现有技术达到了3%~11%的大幅度提升。

May, 2019

本研究提出一种基于分类正则化框架的域自适应目标检测方法，通过对图像级/实例级位移进行匹配以及对目标域关键图像区域的匹配减轻域位移，与传统的Domain Adaptive Faster R-CNN方法相比，实验证明该方法可以在各种域位移场景下取得显著的性能提升，且具有针对域自适应的关键区域能力。

Mar, 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

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

本文介绍了一种专门为适应检测转换器设计的序列特征对齐方法，包括领域查询特征对齐和标记特征对齐，这种方法优于现有的领域适应性目标检测方法，并提高了交叉域性能。

Jul, 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

本文中，我们提出了一个统一的多粒度对齐的对象检测框架，以实现领域内不变的特征学习。我们使用来自主干网络的像素级特征图，首先开发了全尺度门控融合模块来聚合实例的判别表示，从而实现了强大的多尺度目标检测。与此同时，我们提出了多粒度鉴别器，以识别样本（即像素、实例和类别）不同粒度来自哪个领域。在不同的背骨骼架上，我们进行了广泛的实验，证明了我们的框架在锚点自由 FCOS 和锚点 Faster RCNN 检测器上的有效性。

Mar, 2022

本论文提出了一种基于OADA的新型域自适应物体检测算法，通过考虑边界框偏移的特征条件化方法，解决了特征分布因物体种类和边界框偏移值而异的问题，并在实验中取得了最新颖的性能。

Jul, 2022

领域自适应方法针对目标检测（OD）旨在通过促进源域和目标域之间的特征对齐来减轻分布偏移的影响。多源域自适应（MSDA）允许利用多个带注释的源数据集和未标记的目标数据以提高检测模型的准确性和鲁棒性。最先进的MSDA方法通常采用类不可知的特征对齐，但由于不同领域中对象的外观变化而产生了独特的模态信息，这是具有挑战性的。最近的基于原型的方法提出了一种针对类别的对齐，但由于噪声伪标签导致的误差累积，这可能会对不平衡数据的适应产生负面影响。为了克服这些限制，我们提出了一种基于注意力的类条件对齐方案，用于MSDA，该方案通过对齐每个对象类别的实例来实现。特别地，注意力模块与对抗性域分类器相结合，可以学习域不变和类别特定的实例表示。对多个基准MSDA数据集进行的实验结果表明，我们的方法优于现有方法，并且对于类别不平衡具有鲁棒性。我们的代码可在此https URL中找到。

Mar, 2024

我们提出了一种强大的基于DetR的检测器，名为Domain Adaptive Detection Transformer (DATR)，用于无监督域自适应目标检测，通过有效地对跨域特征进行类别感知的对齐，明确引导检测器实现全局表示，并通过使用教师模型生成的伪标签来减轻领域偏差，展示了我们的DATR在多个域适应场景中具有卓越的性能和泛化能力。

May, 2024