本文提出了一种新的领域自适应字典学习框架用于跨领域视觉识别，该方法通过学习一组中间领域，形成一个平滑的路径来弥补源域和目标域之间的差距，并通过分离共享字典和特定字典来实现更紧凑和再现性字典的学习，通过领域自适应稀疏编码和字典更新步骤学习。实验结果表明，该方法在三个公共数据集上表现优于大多数最先进的方法。

Apr, 2018

通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。

Jun, 2018

我们提出了一种基于视觉语言模型的领域自适应方法，通过结合参数高效的提示微调和三元组损失训练策略，提高了开放词汇的普适性，并适应了视觉领域，改善了开放词汇分割任务中的性能。

May, 2024

通过引入视觉 - 语言模型进行知识蒸馏，本文提出了一种新的域泛化方法，称为 RISE (Regularized Invariance with Semantic Embeddings)，并通过在多个基准数据集上的实验证明其在域泛化方面的优越性。

Sep, 2023

提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体，其中模型学习扭曲网络参数以适应来自不同域的数据，并使用元调整器来扭曲网络参数，以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学，以帮助元调整器适应未来的未知目标领域，无需经过训练即可实现模型的自适应调整，实验证明该方法的有效性。

May, 2022

该研究介绍了 Visual Domain Adaptation 2021 竞赛，将机器学习方法的性能从同一领域扩展到处理不同域的数据。该竞赛挑战的是无监督域自适应问题，并关注在目标数据集中可能遇到的数据分布漂移、缺失和 / 或新类别的困难 “通用” 设置。通过与领先的域适应方法的比较，利用已建立的度量标准来评估性能。该竞赛有望鼓励进一步改进机器学习方法，以处理实际数据在许多部署场景下的问题。

Jul, 2021

本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

Oct, 2017

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

Mar, 2020

本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

Apr, 2021