通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

Dec, 2020

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

我们提出了自适应教师（AT）框架来解决使用教师-学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT利用领域对抗学习和弱-强数据增强来缓解这一问题。

Nov, 2021

本文提出了一种在无需访问源数据的条件下，采用对比损失和实例关系图来增强目标表示并将源训练的物体探测器适应于目标域的训练策略；通过多个实验数据集证明，该方法优于先前的最先进的领域自适应检测方法。

Mar, 2022

本研究提出了一种适用于目标检测的新型统一自适应框架，可以在线适应和改进目标领域的泛化能力，并使用MemXformer作为记忆模块和对比损失来增强目标特定的表示学习。

Apr, 2022

本文提出了一种统一的、通用的框架——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

May, 2023

无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过2% mAP的最先进性能。

Aug, 2023

无源目标检测方法中，我们提出了一种简单而新颖的方法，即周期性交换教师-学生方法（PETS），通过引入多教师框架来解决域偏移引起的训练不稳定问题，并进一步开发共识机制以提供高质量的伪标签。通过在多个SFOD基准上进行广泛实验，我们的方法相比其他相关方法取得了最先进的性能，证明了我们方法在SFOD任务上的有效性和优越性。

Nov, 2023

我们提出了一种用于视频目标检测的简单而有效的无源域自适应方法，STAR-MT。通过改进YOLOV方法，在包括噪声、气流湍流和雾霾等恶劣图像条件下，我们的方法始终提高了视频目标检测性能，展示了其在现实世界应用中的潜力。

Apr, 2024

无源域自适应目标检测的关键方法是利用Mean-Teacher框架和高置信度伪标签，但忽略了大部分小目标和低置信度样本，作者提出了一种新的方法，利用Region Proposal Network生成的提案中的低置信度伪标签结合类间关系信息，减少噪声影响，并自适应权重计算，提高目标检测性能。

Jul, 2024