研究了在实际场景中半监督学习的一个基本局限性，即未标注的测试数据往往包含以前在标注训练数据中遇到的类。为了解决这个问题，提出了 ORCA，一种端到端的深度学习方法来处理未知类别在标注和未标注数据中的不一致性，并在图像分类数据集和单细胞注释数据集上实验，表明在 ImageNet 数据集上 ORCA 对于已知类别的改善为 25％，对于未知类别的改善为 96％。

Feb, 2021

构建一个包含基本水平和字符水平注释的古代汉字图像数据集，并提出一种基于字符分解和重组的零样本光学字符识别基准模型，实验证明了数据集和基准模型的有效性。

Aug, 2023

我们提出了一种解决无监督开放域识别问题的方法，该问题中标记源域种类是未标记的目标域的一个子集。我们设计了语义引导匹配差异来衡量源域和目标域之间的不对称标签空间的域差异，并设计了有限平衡约束来实现更平衡的分类输出。我们开发了一个联合学习的网络，通过减少 SGMD，强制执行有限平衡约束和最小化 S 上的分类损失，同时学习骨干分类网络和 GCN。我们的实验结果表明，我们的方法在识别已知和未知类别的图像时具有优越性。

Apr, 2019

本文提出一种无分割 OCR 系统，该系统将深度学习方法、数据增强方法和合成训练数据结合起来，使用大型文本语料库和 2000 多种字体渲染合成训练数据，并通过几何失真和提出的 alpha-compositing 数据增强技术模拟复杂的自然环境，并采用 CNN 编码器以提取文本图像特征，检验了序列模型与卷积模型在模拟输入元素交互方面的能力。

Jun, 2019

本文提出一种基于生成对抗网络的无监督方法，能够生成具有多样的字形和真实纹理的古代文字图像，该方法在分类准确率等方面表现出色。

Mar, 2023

通过使用改进的损失函数驱动解剖和图像特征的正交化，我们介绍了一种名为 unORANIC 的无监督方法。该方法适用于各种模态和任务，因为它不需要领域知识、配对数据样本或标签。在测试时，unORANIC 应用于潜在损坏的图像，使其解剖和特征组件正交化，然后重构无损坏的图像，仅显示其域不变的解剖结构。这种特征正交化进一步提高了泛化性和对损坏的鲁棒性。我们通过评估 unORANIC 的分类准确性、损坏检测和修正能力，在 5 个不同的数据集上进行了定性和定量的确认。我们的方法在医学图像分析的实际应用中展现出了潜力。源代码可在此 URL 找到。

Aug, 2023

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

为了解决深度学习模型在跨领域挑战中对特定领域属性过于敏感的问题，本文提出了一种基于次序保持一致性规则（OCR）的方法，通过保持预测的次序性，使模型对任务无关的转换具有鲁棒性，从而降低对特定领域属性的敏感性。在五个不同的跨领域任务上，该方法显示出明显优势。

Sep, 2023

本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。

Nov, 2020

本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

Jan, 2019