- CVPR人群计数的单一领域泛化
通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类，提出了一种名为 MPCount 的单一领域泛化方法，有效地解决了图像中的人群计数问题中的域偏移问题，并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有 - 匹配非相同物体
我们提出了一种简单的描述符加权方案，可以增强不同角度捕捉到的非相同物体的稀疏图像匹配方法，在各种情况下实现了语义鲁棒的匹配。此外，我们首次评估了图像匹配方法在常见破坏下的鲁棒性，即一种域偏移，该方法在这种情况下提高了匹配效果。
- ICLR通过锐度实现鲁棒的离分布泛化界限
我们研究了模型的锐度对其在领域转移中对数据变化的容忍度的影响，并提出基于锐度的领域外泛化界限，通过考虑鲁棒性，得出比非鲁棒性保证更紧的界限。
- 告而不示：语言指导简化图像和视频的领域转移
我们介绍了一种称为 LaGTran 的新框架，它利用现成或轻松获取的文本描述来指导具有领域偏移的标记源和未标记目标数据之间的强大的分类知识转移，并通过语言引导驱动的方法在各种具有挑战性的数据集上取得了显著优势。
- 硬件限制的小型四旋翼无人机上的设备端自监督学习视觉感知任务
通过在纳米无人机上进行设备学习，我们提出了解决领域转换问题的方法，并在实施中取得了重要进展。
- MM无监督对比学习用于鲁棒的射频设备指纹识别与时域偏移
该论文介绍了一种利用对比学习来缓解无线设备领域转移问题的新颖解决方案，通过实验证明对比学习方法在改善领域转移下的设备分类中起到了显著且一致的提高作用。
- CVPRTAMM：三适配器多模态学习用于 3D 形状理解
通过 TriAdapter Multi-Modal Learning（TAMM），在多模态预训练中引入了三个协同适配器，以更有效地利用 2D 图像和语言模态，缩小 3D 形状数据集的规模限制，提高对 3D 形状的理解和表示学习。
- 在线人物再识别的源导向相似性保持
在线无监督领域适应（OUDA）用于人员重新识别（Re-ID）的任务是将在经过良好注释的源域数据集上训练的模型持续适应为作为数据流观察到的目标域。本文提出了一种新的基于源引导的相似性保持（S2P）框架来缓解这两个问题，并通过提取与目标数据最相 - 数据变化上机器学习进展的全面评述：跨领域视角
最近人工智能（AI）技术在各种学术领域和行业展现出了显著的发展。然而，在现实世界中，动态数据给 AI 模型的部署带来了主要的挑战。我们通过设置数据变化来识别两个主要的相关研究领域，即领域转移和概念漂移。虽然这两个热门研究领域旨在解决分布转移 - 重新思考生物医学图像分割中的 U-net 跳跃连接
通过分析 U-net 架构的神经网络，发现其网络层对于领域转移非常敏感，特别是在浅层网络中。在移除最上层的跳跃连接之后，性能得到了显著提升，不仅对于领域转移具有积极的影响，对于领域内测试数据也有 10％至 13％的性能提升。
- IJCAI医学图像分析领域广义化综述
医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（D - IEEE ICME 2024 大挑战赛：领域偏移下的半监督声学场景分类
在 ICME 2024 大挑战中，我们引入了半监督领域迁移音景分类任务，鼓励参与者创新半监督学习技术，旨在开发更具鲁棒性的 ASC 模型。
- 动态系统中深度神经网络在线自适应的控制理论技术
利用控制论技术，通过在线适应法更新深度神经网络参数，控制域偏移以及解决稳定性和迁移学习问题，提高深度神经网络基于学习的系统的性能和保证。
- 非流利的合成目标语言数据提高神经机器翻译
从有限的平行语料中生成合成训练样本，即非流利目标端句子能够在多语种机器翻译框架中有效地提高翻译性能，并且这种方法对原始训练语料的规模不敏感，从而使系统更鲁棒、产生更少的幻觉。
- CNA-TTA：在聚类中基于干净和噪声区域的特征学习用于在线离线测试时间自适应
利用聚类结构和区域的方法进行测试时间自适应，从而解决域偏移和虚假标签问题，该方法在在线 / 离线自适应模式和多个数据集上达到了最先进的效果。
- 自适应全局局部表征学习与选择 用于跨领域面部表情识别
针对交叉领域面部表情识别中领域转移的挑战，提出一种自适应的全局 - 局部表示学习与选择框架，通过全局 - 局部对抗性适应和语义感知伪标签生成来增强训练中的领域不变性和判别特征学习，同时，在推断过程中引入了全局 - 局部预测一致性学习来改进分 - 使用紧凑的内部表示进行无监督领域适应
通过将源领域和目标领域的数据点映射到共享嵌入空间中，训练映射编码器使嵌入空间变得与领域无关，从而使在源领域上训练的分类器能够在目标领域上很好地泛化。为了进一步提高无监督领域适应 (UDA) 的性能，我们提出了一种降低源领域内部分布紧密度的技 - 领域相似度感知标签分配用于领域泛化的水下目标检测
该研究通过引入 “领域相似 - 感知标签分配”（Domain Similarity-Perceived Label Assignment）的概念，并结合领域特定的数据增强技术，在水下跨域目标检测基准测试 S-UODAC2020 上取得了最先 - 协同锚定对比式预训练在少样本关系抽取中的应用
通过预训练语言模型和锚定对比预训练框架，本研究在少样本关系抽取中取得了显著的性能提升，并展示了对领域迁移和零样本关系抽取的优越适应能力。
- MDD-UNet: 医学图像分割的领域自适应与理论保证的概念验证
提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架 MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准 U-Net 的性能改善。