- NeurIPS 2022 视觉域自适应挑战赛第一名解决方案
本文介绍了一种名为 SIA_Adapt 的方法，该方法结合了多种领域自适应模型的方法，在实体分割任务中实现了在未标记的情况下从一个已知领域到目标领域的迁移，并在应用于工业废物分类方面取得了很好的效果，代码公开在 https://github - ICCV面向资源受限型硬件的单目深度估计视觉域自适应
针对视觉域适应的背景下，在资源受限的硬件上训练深度神经网络的问题，通过采用压缩技术、有效且硬件感知的架构设计以及对多样的操作环境进行模型自适应解决，实验结果表明，只有使用有效网络架构和少量的训练数据才足以实现图像深度估计。
- VisDA-2021 竞赛：通用领域自适应模型改进域外数据性能
该研究介绍了 Visual Domain Adaptation 2021 竞赛，将机器学习方法的性能从同一领域扩展到处理不同域的数据。该竞赛挑战的是无监督域自适应问题，并关注在目标数据集中可能遇到的数据分布漂移、缺失和 / 或新类别的困难 - 快速批次核范数极大化和极小化在鲁棒域自适应中的应用
本文提出了一种通过最大化目标输出矩阵的核范数和最小化源输出矩阵的核范数来提高区分能力和多样性的方法，以增强目标预测能力并提高源领域知识的适用性。这种方法可以在三种典型的领域适应方案下提高适应的准确性和稳健性。
- 启发式域自适应
本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均 - MM基于流形嵌入分布对齐的视觉领域自适应
该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件 - CVPR利用合成数据进行学习：解决语义分割的领域偏移问题
该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。
- 视觉领域适应挑战
本篇论文介绍了 2017 年度视觉领域自适应（Visual Domain Adaptation, VisDA）数据集及竞赛，是一种用于跨视觉领域无监督领域自适应的大型测试平台，主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领 - ICLR自我集成学习用于视觉领域自适应
本研究探讨自我集成用于视觉领域适应问题，并以期提出的一系列修改过的方法在具挑战性的领域适应场景中取得了最先进的结果，包括赢得了 VISDA-2017 视觉领域自适应挑战赛。
- 为领域自适应学习不变的 Hilbert 空间
本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性 - 基于混合 CNN 和基于词典模型的场景识别与领域自适应
在本文中，我们提出了将卷积神经网络与基于字典的模型相结合，用于场景识别和视觉域自适应，并且我们发现所提出的混合表示法相较于仅使用卷积神经网络模型具有更好的表现。
- 跨域和跨任务的同时深度迁移
本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。
- 深度领域混淆：最大化领域不变性
本论文提出了一种基于深度卷积神经网络的适应性层及额外的领域混淆损失函数，学习既有语义意义且兼具领域不变性的表示。此方法提供了优异的实验性能，超过了之前已发表成果，如在标准化基准视觉领域适应任务的结果。
- 监督深度卷积模型的单次适应
本文探讨了深度卷积神经网络是否能解决数据集偏差问题以及在新领域适应的方法，并且通过实验展示了在可视化领域适应数据集能提高深度模型识别性能。