提出一种基于不对称三路Faster-RCNN和辅助网络的非监督域自适应目标检测方法，在保证安全性的同时提高了区别性并在多个数据集上达到 SOTA 性能。

Jul, 2020

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

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

本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

Apr, 2022

我们提出了US-DAF方法来解决通用域自适应目标检测中的负迁移问题，提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现：1）设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2）引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明，US-DAF方法在三种场景下均达到了最先进的结果，并在Clipart1k和Watercolor基准数据集上获得了7.1％和5.9％的相对改进。

Jul, 2022

本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对SF-FSDA问题的鲁棒目标检测。

Jun, 2023

我们提出了一种新的方法来充分利用伪标签，通过引入高和低置信度阈值，使用Proposal Soft Training (PST)和Local Spatial Contrastive Learning (LSCL)模块来利用低置信度的伪标签，进一步优化了代表性特征。实验证明，我们的方法在五个跨领域目标检测基准上表现优于以前的Source-free object detection (SFOD)方法，实现了最先进的性能。

Oct, 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

该论文研究领域自适应的目标检测，提出了几种简化的方法来替代复杂的方法，同时通过批量标准化层和伪标签的训练等方式，实现了与以往方法相媲美的性能。

Jul, 2024