本文提出了一种无监督领域自适应方法（UDA-COPE）来实现基于类别的物体姿态估计，不需要使用目标域的姿态标签，而是使用一种带有学生 - 教师自监督学习框架的姿态估计网络进行训练，并在预测出来的归一化物体坐标空间地图和真实点云之间介绍了一个双向过滤器来提供给学生网络训练更可靠的伪标签，实验结果表明，该算法在不使用目标域 GT 标签的情况下，可以达到与基于 GT 标签的现有方法相当甚至更好的表现。

Nov, 2021

本文研究了针对分布漂移进行测试时间自适应（TTA）的方法，在各种函数类中元学习 TTA loss 能够迅速获得与熵函数类似的 loss 函数，并基于最优 loss 函数提供了更好的 TTA 方法。同时，在新型的 supervised training loss 函数中，我们的方法也显示了优异的表现，为改善测试时间自适应提供了广阔的框架。

Jul, 2022

CTAOD 通过使用 mean-teacher 框架并引入对象级对比学习模块、动态阈值策略和数据驱动的随机恢复机制，在处理不断变化的目标域中提高检测模型性能，实验结果显示在对象检测的四个 CTTA 任务中，CTAOD 优于现有方法，尤其在 Cityscapes-to-Cityscapes-C CTTA 任务上提高了 3.0 mAP。

Jun, 2024

提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法，在长期内实现了所有神经网络参数的适应，同时有效避免了疾病遗忘和噪声伪标签带来的错误积累，该方法处理的问题主要集中在测试时间域适应和深度学习等领域。

Mar, 2022

传统的 2D 姿态估计模型局限于其特定类别的设计，限定了其适用范围，对于新颖对象缺乏相关训练数据的情况尤其具有挑战性。为了应对这一局限性，引入了无类别限制的姿态估计（CAPE）方法，在仅需标注关键点的最小支持图像的情况下，实现了任意对象类别的关键点定位。我们提出了一种利用新设计的图转换解码器的 CAPE 新方法，通过捕捉和整合关键点之间固有的几何关系信息，进一步提高了关键点定位的准确性，与传统 CAPE 技术将关键点视为孤立实体的方式存在显著区别。我们在包含超过 100 个类别的 20,000 多张图像的 MP-100 基准数据集上验证了我们的方法，与之前最先进的方法相比，本方法在 1-shot 和 5-shot 设置下均取得了显著的改进，分别达到了 2.16％和 1.82％的提升。此外，与之前的 CAPE 方法相比，我们的方法的端对端训练表现出良好的可扩展性和效率。

Nov, 2023

深度学习模型在测试时面临分布转变时性能下降，为了解决目标检测中模型架构多样性问题以及如何才能有效适应新的测试领域并防止灾难性遗忘，在此论文中，我们提出了一种新的在线适应方法，通过引入架构无关的轻量级适配器模块并只更新这些模块，同时保持预训练的骨干网络不变，从而在目标检测中快速且高效地适应新的测试领域并解决领域转变问题。

Dec, 2023

本文提出了一种 CAPEG 框架，即 POSE Matching Network，并提出了一种基于 transformer 的 Keypoint Interaction Module，能够捕捉不同关键点之间的交互和支持和查询图像之间的关系，同时介绍了一个新的 MP-100 数据集，使用实验表明我们的方法比其他基线方法表现更好。

Jul, 2022

本次研究调查了测试时间适应（TTA）在机器学习中的应用与优化方法。针对不同的学习场景，研究紧分测试时间领域适应、测试时间批适应、在线测试时间适应和测试时间先验适应四类，总结了高级算法的分类方法，探讨了 TTA 的应用与未来研究的挑战。

Mar, 2023

通过引入一种新颖的方法，即 C-CoTTA，它明确防止任何单个类别侵占其他类别，从而减轻不可控转换引起的各类别之间的相互影响，减少模型对领域转换的敏感性，从而降低类别转变的程度。

May, 2024

该研究探讨了测试时间自适应的方法，使用特征修正、自我蒸馏以及空间本地化聚类等技术，提高了医学图像分割任务的性能，进一步提高了现有测试时间适应方法的性能表现。

Mar, 2023