- 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。
- 在不断变化的测试领域中，目标检测器应该在何时、何地、如何更新？
深度学习模型在测试时面临分布转变时性能下降，为了解决目标检测中模型架构多样性问题以及如何才能有效适应新的测试领域并防止灾难性遗忘，在此论文中，我们提出了一种新的在线适应方法，通过引入架构无关的轻量级适配器模块并只更新这些模块，同时保持预训练 - 混合风格近似下的高效跨域联邦学习
我们介绍了一种在硬件受限环境中用于实现客户端适应性的隐私保护、资源高效的联邦学习概念。通过在源数据上进行服务器模型预训练，并在低端客户端上对目标数据进行细调，我们的方法通过从源域和目标域数据近似的实例级特征统计的概率混合来简化本地客户端适应 - 选择之前三思：领域转换中的医学图像分析联邦证据主动学习
通过在医疗领域分布式的多个机构之间协作学习一个全局模型，联合学习有助于实现数据无需集中的目标。本研究首次尝试评估来自不同领域的本地数据的信息量，并提出了一种称为 Federated Evidential Active Learning (F - 增强目标检测器对领域偏移的鲁棒性
提出了一种数据增强方法，用于提高驾驶物体检测器在领域转换中的稳健性，并通过采用 YOLOv4 作为基本物体检测器，实验证明在源数据和目标数据域上的性能显著提升。
- 领域自适应视觉观察的模仿学习
在这篇论文中，我们考虑了具有视觉观测的领域自适应模仿学习，其中目标领域中的一个代理通过观察源领域中的专家示范来学习执行任务。我们提出了一种新的框架，通过双重特征提取和图像重构从输入观测中提取领域无关的行为特征，以克服视觉观察中跨领域模仿学习 - ZeroPS: 高质量的跨模态知识传递技术用于零样本 3D 部分分割
我们设计了一种新的零样本三维部分分割流水线 ZeroPS，它可以将二维预训练基础模型的知识高质量地传递到三维点云中。我们的方法主要基于多视图对应和基础模型的提示机制之间的自然关系，并在此基础上建立桥梁。我们的流水线包括两个组件：1) 自扩展 - 通过多模态特征对鲁棒领域虚假信息检测
社交媒体误导信息对个人和社会有害，并且多模态内容（即文本和图像）使其更具 “可信度”，高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法（RDCM），用于多模态误导信息的检测，通过领域内对齐模块降低领域漂移，并通过跨模态对齐模块 - 基于梯度图引导的自适应领域泛化用于跨模态 MRI 分割
跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基 - 从聚类视角改进基于熵的测试时适应性
领域转移是现实世界中常见的问题，完全测试时间适应（TTA）利用测试时间遇到的未标记数据来调整模型。我们从聚类的视角介绍了熵基于 TTA 方法（EBTTA），解释了为什么现有的 EBTTA 方法对初始分配、异常值和批次大小敏感，并提出了改进的 - 计算病理学中的领域泛化：调查与指南
深度学习模型在计算病理学中表现出了卓越的效果，通过解决复杂的组织学图像分析应用中出现的外域数据问题，降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。
- 加权联合最大均值偏移使能的多源多目标无监督域适应故障诊断
本研究提出了一种多源多目标无监督领域适应方法，通过改进的加权距离损失函数，在故障诊断领域中实现了源域与目标域之间的域对齐，并学习到多个源域与目标域之间的域不变和有区分性的特征，从而实现了跨域故障诊断。综合对三个数据集进行了综合比较实验，实验 - 基于透视矫正的通用多摄像头三维物体检测
通过与 2D 相机平面结果对齐的方法，本研究提出了一种新颖的多相机三维目标检测方法，确保持一致且准确的检测结果。该方法通过视角校正，将鸟瞰视图特征渲染为多视图地图，并纠正了这些地图的透视偏差，利用隐含的前景体来连接相机与鸟瞰视图平面。该两步 - ICCV基于参数的梯度信噪比引导的域泛化
本文提出了一种基于梯度信噪比的参数选择方法，以解决深度神经网络在源域过拟合的问题，并通过元学习方法减轻了搜索最佳 dropout 比率的负担。评估结果表明，在标准域泛化基准测试中，我们取得了分类和人脸防伪问题方面的竞争性结果。
- 减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究
深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力 - 领域感知联邦学习的双提示调优
本研究介绍了一种名为 Federated Dual Prompt Tuning (Fed-DPT) 的新方法，利用预训练的视觉 - 语言模型并应用视觉和文本提示调整来解决领域移位问题，并通过实验证明了其在领域感知的联邦学习中的重要有效性。
- DARTH：针对多目标追踪的整体测试时适应
这篇论文研究了多目标跟踪的测试时间域偏移问题，并引入了 DARTH，一个全面的测试时间适应框架。通过引入检测一致性公式和新颖的补丁对比损失，我们成功适应了目标检测和实例外观表示，在多个领域转移情况下取得了显著性能提升。
- 多变量原型表示的领域泛化增量学习
研究了深度学习模型在使用新类别样本进行微调时面临的灾难性遗忘问题，特别关注训练和测试数据之间的领域转变。设计了一种能够记忆旧类别、适应新类别并能够可靠地对来自未见领域的对象进行分类的 DGCIL 方法，通过使用知识蒸馏和估计旧类别原型的漂移 - FedDrive v2: 联邦语义分割中标签偏斜对自动驾驶的影响分析
我们提出了 FedDrive v2，这是自动驾驶中语义分割的联邦学习基准的扩展。在这项工作中，我们关注标签的分布不均对分割模型性能的影响，并与域漂移的影响进行比较。最后，我们研究了在测试过程中使用域信息的影响。
- 跨领域顺序自编码器追求反事实公平性
通过引入名为 CDSAE 的创新框架，我们提出了一种有效地解决领域漂移和公平问题的方法，该方法通过同时分离环境信息、敏感属性和分类特征的嵌入表示来提高模型的泛化能力，验证结果表明，在持续领域的不断变化中，我们的方法能实现提高准确性并确保公平