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

提出了适用于复杂驾驶环境中异常物体分割的多粒度跨域对齐（MGCDA）框架，该框架将新的多源领域对抗训练（MDAT）模块和新的跨域异常感知对比学习（CACL）方法结合起来，以增强模型的普适性，无缝地整合多域数据，并在场景和样本级别上进行操作。

Aug, 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

本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

Sep, 2023

本文提出了一种多级对抗 Faster-RCNN（MAF）框架，用于在非受限环境中利用从具有足够标签的辅助源域训练的领域知识检测对象，其中包括多个对抗域分类器亚模块、信息不变的尺度降低模块（SRM）以及加权梯度翻转层（WGRL）等，实验结果表明，MAF 在 Cityscapes，KITTI，Sim10k 等非受限任务中的表现优于现有检测器。

Jul, 2019

提出了一种名为 “自主引导自适应” 的方法，该方法通过计算难度因素来提高跨域对象检测模型的鲁棒性，并表现出在大范围领域转移方面的有效性。

Mar, 2020

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

本文提出了一个基于像素级目标度和中心化对齐的域自适应目标检测器，以优化跨域适配，实验结果证明了其相对于现有算法的优越性。

Aug, 2020

单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

Dec, 2023

本研究提出了一种名为 MeGA-CDA 的基于 Memory Guided Attention 的领域自适应物体检测方法，能够通过使用分类特定的鉴别器和生成的内存引导类别特定的注意力地图，实现分类感知的特征对齐与学习领域不变的鉴别特征，表现出优越的性能。

Mar, 2021