该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

Apr, 2019

提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

基于跨领域语义分割的遥感图像的无监督领域自适应（UDA）技术已经在地球科学的深度学习应用中有了显著的进展。最近，Transformer 模型在 RS-UDA 任务中得到了成功应用。然而，现有的 UDA 方法主要关注高级特征空间中的领域对齐，对于 RS 图像的语义分割任务，同时保留跨领域的本地空间细节和全局语境语义仍然具有挑战性。为了解决这些问题，我们提出了新颖的高 / 低频分解（HLFD）技术，以指导跨领域语义分割中的表示对齐。具体而言，HLFD 试图在域对齐之前将特征图分解为高频和低频分量，为分别的子空间中进行域对齐。其次，为了进一步促进分解特征的对齐，我们提出了全局局部生成对抗网络（GLGAN），通过利用全局局部变压器块（GLTB）在领域之间学习域不变的细节和语义特征。通过整合 HLFD 技术和 GLGAN，我们开发了一种名为 FD-GLGAN 的新型 UDA 框架，以提高语义分割模型的跨领域可传递性和泛化能力。在 ISPRS Potsdam 和 ISPRS Vaihingen 这两个优质分辨率基准数据集上进行的大量实验凸显了所提方法相对于最先进的 UDA 方法的有效性和优越性。本文的源代码将在此 https URL 进行访问。

Apr, 2024

本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

Nov, 2022

本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法，用于三维医学图像分割，通过交叉域数据增强生成高质量伪标签，结合标注的源域图像和目标域伪标签进行模型训练，在多个公共多模态数据集上表现优于十种先进的 UDA 方法，并在某些情况下甚至超过了全监督学习的效果。

Apr, 2024

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024

本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

May, 2020