本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。
May, 2021
本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。
Nov, 2023
利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。
Dec, 2022
提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。
这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。
Jun, 2024
本文提出了一种基于未标注视频数据的无监督目标检测器自适应方法，该方法利用现有检测器的高置信度检测结果和跟踪器获取时序提示来自动获取目标数据标签，然后通过修改知识蒸馏损失函数和软标签的分配方法进行重新训练，实验结果表明该方法恰当地利用了追踪获取的困难样本，使用蒸馏损失函数的软标签优于硬标签，是一种简单且不依赖超参数的有效无监督目标检测器自适应方法。
Apr, 2019
通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。
Sep, 2023
本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。
Sep, 2017
该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。
Jan, 2024
该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。
Mar, 2024