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

本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

Jun, 2021

本文提出了一个联合自适应检测框架(JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中-state-of-the-art性能。

Sep, 2021

本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。

Mar, 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

通过引入统一的基准测试和实施框架ALDI、公平且现代的培训与评估协议、新的DAOD基准数据集CFC-DAOD以及ALDI++方法，我们提供了一个关键的重启点用于域自适应物体检测（DAOD）并为未来的研究奠定了坚实的基础。

Mar, 2024

我们提出了一种强大的基于DetR的检测器，名为Domain Adaptive Detection Transformer (DATR)，用于无监督域自适应目标检测，通过有效地对跨域特征进行类别感知的对齐，明确引导检测器实现全局表示，并通过使用教师模型生成的伪标签来减轻领域偏差，展示了我们的DATR在多个域适应场景中具有卓越的性能和泛化能力。

May, 2024

解决目标检测的领域泛化问题，通过多样化源域和基于类别预测置信度和定位的对齐检测，并在安全关键应用中做出准确决策。

May, 2024

本研究解决了领域自适应目标检测中源领域训练的检测器难以迁移到未标注目标领域的问题。提出的领域感知适配器（DA-Ada）通过结合领域不变知识和领域特定知识，改进了传统的领域无关适配器的方法。实验结果表明，DA-Ada能有效提升领域自适应目标检测的表现。

Oct, 2024

这项研究解决了领域自适应物体检测中的重要问题，即如何实现开放集、部分集和闭合集域的适应性。论文提出了一种新颖的双重概率对齐框架，通过将领域概率建模为高斯分布，旨在优化领域特征的对齐和转移，显著提升了各类数据集和场景的检测性能。

Dec, 2024