本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

本研究提出了一种新颖的域自适应范式，利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练，并以循环交替的方式在目标数据集上进行下游任务，该方法实现了自监督知识转移，达到了最先进的性能和可解释的表示学习。

Apr, 2023

通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

Sep, 2023

本文提出一种特征级别的空间塑形正则化策略来减少语义分割中的域差异，从而在自动驾驶设置中实现了多种合成到实际路景基准的最先进结果。

Apr, 2021

本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

Jul, 2015

本文提出了一种名为 AdaTreeFormer 的方法，通过从源领域学习具有足够标记树的框架，并针对只有有限数量标记的目标领域进行自适应，利用层次特征提取方案从源和目标领域中提取强大特征，并引入注意力机制以及逐渐对齐源和目标领域特征的层次交叉领域特征对齐方案，采用对抗学习进一步减小源领域和目标领域之间的差距，在树木计数数据集上进行评估，结果明显优于现有方法。

Feb, 2024

本文提出了一个刻度感知对抗学习框架，用于实现跨位置和跨刻度的地表覆盖分类，结果表明该框架在远程感知图像分类中的效果优于现有的领域适应方法。

Dec, 2020

使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。

Aug, 2023

该论文介绍了一种解决分布回归问题的非线性方法，它考虑了再生核希尔伯特空间中的分布嵌入，并在其中执行标准的最小二乘回归。 该方法可用于不同维数和样本大小的多源数据，并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。

Dec, 2020

该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

Nov, 2020