提出了一种新的任务 —— 无源域适应人体姿态估计（HPE），并通过构建源模型、中间模型和目标模型的新框架，从源保护和目标相关两个角度解决了跨域学习的挑战。在几个领域自适应 HPE 基准测试中进行的综合实验表明，该方法在性能上明显优于现有方法。

Aug, 2023

我们提出了一种多层次域适应方法，利用图像风格转换、对抗训练和自监督学习来同时在图像、特征和姿态水平上进行域间对齐，实现了在姿态估计中的显著改进，超越了现有最先进算法，对人体姿态的改进高达 2.4％，对狗的改进高达 3.1％，对羊的改进高达 1.4％。

Apr, 2024

无需访问源数据，本研究提出了一种新的框架，通过估计无标签目标数据的模型准确性来解决深度视觉模型在源和目标分布之间存在性能降低的问题。将伪标签用于准确性估计，并采用最新的无源域自适应算法，利用源假设来适应目标伪标签函数，并通过对目标模型的输入进行自适应对抗扰动以减轻错误伪标签的影响，从而有效解决具有挑战性的分布偏移情景，并胜过需要源数据和标签进行训练的现有方法。

Jul, 2023

无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

Feb, 2024

本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。

Sep, 2021

本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

Aug, 2021

本文提出了一种新颖的领域适应方法，用于多人姿态估计，以进行人类级别的拓扑结构对齐和细粒度特征对齐。通过三个模块实现：交叉注意力特征对齐（CAFA），域内结构自适应（ISA）和域间人 - 拓扑对齐（IHTA）模块，证明了该算法优于现有最佳算法。

Aug, 2020

本文研究了基于单目视觉技术的 3D 人体姿势估计问题，提出利用无监督域自适应方法，引入包含两个输出头的 MRP-Net 网络，利用预测不确定性实现模型适应和泛化，并取得了在各项基准测试中的最优性能。

Mar, 2022

本文研究基于 ImageNet 预训练特征提取器的共同学习框架，以提高面向目标域的伪标记质量并进行迁移学习，同时使用熵最小化来提高非伪标记样本的预测精度，并在三个基准数据集上进行评估。结果显示，该方法优于现有的面向源自由域适应方法和假设联合访问源和目标数据的无监督域适应方法。

Dec, 2022

使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。

Nov, 2023