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

本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

Feb, 2020

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

设计了 DA-DETR，一种域自适应物体检测变压器，引入信息融合以实现从一个带标记的源域到一个未标记的目标域的有效传输，并采用 CTBlender 对卷积神经网络特征和变换器特征进行聚合。在多个广泛采用的域自适应基准测试中，DA-DETR 不断实现卓越的检测性能。

Mar, 2021

该研究提出了一种新的CNN模型迁移多样性学习的方法，将权重视为一系列运动模式，通过抑制特定领域的干扰，并集中在领域不变方向上，成功地在多个对象检测任务中实现了显著的性能提升。

May, 2021

本研究提出了一种适用于目标检测的新型统一自适应框架，可以在线适应和改进目标领域的泛化能力，并使用MemXformer作为记忆模块和对比损失来增强目标特定的表示学习。

Apr, 2022

本文提出了一种名为TRKP的方法，采用教师-学生框架，构建多头教师网络来从标记的源域中提取知识并指导学生网络在未标记的目标域中学习探测器，解决了多源领域适应这一泛化性任务的问题。实验结果表明，该方法有效降低了目标域的领域偏移，提高了检测准确率。

Apr, 2022

我们提出了US-DAF方法来解决通用域自适应目标检测中的负迁移问题，提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现：1）设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2）引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明，US-DAF方法在三种场景下均达到了最先进的结果，并在Clipart1k和Watercolor基准数据集上获得了7.1％和5.9％的相对改进。

Jul, 2022

提出了基于蒸馏的无偏对齐(Distillation-based Unbiased Alignment, DUA)框架及目标相关对象定位网络(Target-Relevant Object Localization Network, TROLN)，解决了领域自适应目标检测中源偏差和领域转移问题，通过蒸馏方式调整源特征位置，利用目标相关知识生成无需分类的两个度量指标(IoU和centerness)，并采用领域感知的一致性增强策略(DCE)进一步改善分类一致性和定位准确性，在跨领域情景中显著提升性能，超过已有基于对齐的方法。

Nov, 2023

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