提出一种名为 DISC 的在线领域增量学习方法，可在不需要重新训练或昂贵的内存银行的情况下，逐步学习新任务 (即天气条件)，通过分类每个域的一阶和二阶统计量变化，将统计矢量插入到相应任务的模型中，目标检测结果显示出其在不同恶劣天气条件下的一个具有挑战性的域增量自动驾驶场景下的有效性。

Apr, 2022

这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

Jul, 2023

通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

Sep, 2023

我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

Jan, 2024

领域适应旨在减少深度学习模型训练所在源领域和部署所在目标领域之间的差距。在航空平台上部署的深度学习模型可能面临逐渐恶化的天气条件，导致训练数据和评估数据之间的领域差距扩大。我们合成了两种逐渐恶化的天气条件并应用于真实图像数据集，生成了四个基准数据集。在持续或测试时间适应设置下，我们评估了三种领域适应模型：一个基准标准领域适应模型和两个持续领域适应模型。在这种设置下，模型一次只能访问目标数据中的一小部分或一个批次，并且适应过程持续进行，仅在数据的一个时代内完成。持续适应和逐渐恶劣的天气条件的组合为航空部署提供了实际的领域适应场景。在评估的模型中，我们考虑卷积和变换器体系结构进行比较。我们发现现有的基于缓冲区的持续领域适应方法在适应过程中存在稳定性问题，并提出梯度归一化作为一种简单的解决方案以抑制训练不稳定性。

Aug, 2023

本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

Dec, 2022

通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

Dec, 2017

本研究提出了一种名为 DARE 的新颖 DIL 方法，通过分歧、适应和细化的三阶段训练过程，逐步将与新任务相关的表示适应到由先前任务样本所覆盖的特征空间中，并同时整合任务特定的决策边界，有效减缓了特征编码器的表示漂移，降低了多个 DIL 基准下的灾难性遗忘，并且在任务边界处防止了突发的表示漂移，使得 DIL 模型的性能得到了良好校准，并保持了对先前任务的性能。

Jun, 2024

我们提出了 WeatherDepth，这是一个自监督的鲁棒深度估计模型，使用课程对比学习来应对复杂天气条件下性能下降的问题。通过逐步从晴朗到恶劣天气场景的简单到复杂的课程调整，鼓励模型逐渐掌握抵抗天气影响的有益深度线索，从而实现更平滑和更好的域适应。同时，我们在不同课程中引入对比学习，以防止模型遗忘先前的课程，并在不同课程之间建立深度一致性约束，从而实现对多样天气条件下鲁棒深度估计的目标。此外，为了减少人工干预并更好地适应不同模型，我们设计了一个自适应课程调度器，自动搜索最佳的课程切换时机。在实验中，我们的解决方案被证明可以轻松应用于各种架构，并在合成和真实天气数据集上展现了最先进的性能。

Oct, 2023

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022