A Reproducible and Realistic Evaluation of Partial Domain Adaptation Methods
Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）
无监督领域自适应（UDA）的目的是利用源标记图像对未标记的目标图像进行分类。在这项工作中，我们认为部分领域自适应（PDA）的变种，我们有额外的源类不存在于目标域。大多数成功的算法使用依赖于目标标签的模型选择策略，以在训练过程中找到最佳的超参数和/或模型。然而，这些策略违反了PDA中的主要假设：只有未标记的目标域样本可用。此外，在实验设置中也存在不一致性-架构，超参数调整，运行次数-产生不公平的比较。这项工作的主要目标是提供一个现实的评价PDA方法与不同的模型选择策略下一致的评价协议。我们使用7种不同的模型选择策略，在2个不同的真实数据集上评估了7种代表性的PDA算法。我们的两个主要发现是：（i）如果没有用于模型选择的目标标签，方法的准确性降低高达30个百分点;（ii）只有一种方法和模型选择对在两个数据集上都表现良好。实验是用我们开源的PyTorch框架BenchmarkPDA进行的。
2022-10-03 cs.CV cs.LG stat.ML
Image to Video Domain Adaptation Using Web Supervision
Microsoft Cognition（微软认知）
训练深度神经网络通常需要大量的标记数据，对于特定的目标域，获得这些标记数据可能是稀缺的或昂贵的。作为替代方案，我们可以利用相对丰富但可能包含噪声结果的网络监督数据（即来自公共搜索引擎的结果）。在这项工作中，我们提出了一种新的两阶段的方法来学习视频分类器使用webly监督的数据。我们认为，学习外观特征，然后依次时间特征，而不是同时，是一个更容易优化这项任务。我们通过首先从网络图像中学习图像模型来展示这一点，该图像模型用于初始化和训练视频模型。我们的模型应用领域自适应来解释源域（网络监督数据）和目标域之间存在的潜在域偏移，并通过添加新的注意力分量来解释噪声。我们报告的结果与UCF-101上最先进的网络监督方法具有竞争力（同时简化了训练过程），并对Kinetics进行了评估以进行比较。
2019-08-05 cs.CV
Domain Curiosity: Learning Efficient Data Collection Strategies for Domain Adaptation
Aalto University（阿尔托大学）
领域自适应是机器人学中的一个常见问题，其应用包括将策略从仿真转移到现实世界和终身学习。然而，执行这种适应需要在适应期间提供关于环境的信息数据。在本文中，我们提出了领域好奇心-一种训练探索性策略的方法，这些策略被显式优化以提供允许模型学习环境未知方面的数据。与大多数好奇心方法相比，我们的方法明确地奖励学习，这使得它对环境噪声具有鲁棒性，而不会牺牲其学习能力。我们评估所提出的方法，通过比较多少模型可以了解环境动态给定的数据收集的方法，相比标准的好奇和随机的政策。使用玩具环境，两个模拟机器人设置，并在现实世界的触觉探索任务的评估。结果表明，所提出的方法允许数据有效和准确的动态估计。
2021-03-12 cs.LG cs.RO
A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery
University of Central Florida（佛罗里达中央大学）
本文系统评估了CNN、Transformer分割模型和大预训练模型在滑坡检测中的性能，比较了全微调与参数高效微调方法，发现Transformer模型表现优异，参数高效微调在保持精度的同时大幅降低参数量。
2026-04-17 cs.CV
Augmentation based unsupervised domain adaptation
King’s College London（伦敦国王学院）；UCL（伦敦大学学院）；Cerebriu A/S（Cerebriu公司）；University of Copenhagen（哥本哈根大学）
在医学图像分析中插入深度学习，导致在疾病分类以及异常检测和分割等几个应用中开发了最先进的策略。然而，即使是最先进的方法也需要大量不同的数据来概括。因为在现实的临床场景中，数据采集和注释是昂贵的，所以在小的和不具有代表性的数据上训练的深度学习模型在部署在与用于训练的数据不同的数据（例如来自不同扫描仪的数据）中时往往表现出色。在这项工作中，我们提出了一个域自适应方法来缓解这个问题的分割模型。我们的方法利用了对抗域适应和一致性训练的特性，以实现更强大的适应。使用两个带有白质高强度（WMH）注释的数据集，我们证明了所提出的方法即使在个别策略往往失败的角落情况下也能提高模型的泛化能力。
2022-02-23 cs.CV cs.LG eess.IV
Few-shot Metric Domain Adaptation: Practical Learning Strategies for an Automated Plant Disease Diagnosis
Hosei University（法政大学）
本文提出少样本度量域自适应（FMDA）方法，通过最小化源域与目标域特征空间距离，在仅用目标域每类病害10张图像的情况下，显著提升植物病害自动诊断的跨域鲁棒性，F1分数最高提升29.3个百分点，并优于微调方法。
2024-12-25 cs.CV cs.LG
Single-Shot Domain Adaptation via Target-Aware Generative Augmentation
Arizona State University（亚利桑那州立大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
由于深度神经网络中的脆弱泛化，使用来自任何感兴趣目标域的数据来适应源域的模型的问题已经变得突出。虽然已经出现了几种测试时自适应技术，但在目标数据可用性有限的情况下，它们通常依赖于合成数据增强。在本文中，我们考虑了单次自适应的挑战性设置，并探索了增强策略的设计。我们认为，现有的方法所利用的增强是不足以处理大的分布偏移，因此提出了一种新的方法SiSTA（单次目标增强），首先微调生成模型从源域使用单次目标，然后采用新的采样策略策展合成目标数据。使用国家的最先进的领域自适应方法的实验，我们发现，SiSTA产生高达20\%的改进超过现有的基线下，具有挑战性的变化，在面部属性检测，它执行竞争力的Oracle模型通过训练获得一个更大的目标数据集。
2022-10-29 cs.CV cs.LG stat.ML
A Survey on Computational Pathology Foundation Models: Datasets, Adaptation Strategies, and Evaluation Tasks
Baylor University（贝勒大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；University of Arkansas（阿肯色大学）
本文系统综述计算病理学基础模型，涵盖数据集、适配策略与评估任务，分析对比学习等关键技术，并从四视角展望未来方向，为临床AI病理应用提供指南。
2025-02-26 cs.AI cs.CV
Loss-based Sequential Learning for Active Domain Adaptation
Inha University（仁荷大学）；Yale University（耶鲁大学）；NAVER AI Lab（NAVER人工智能实验室）
主动领域自适应（ADA）研究主要解决查询选择，同时遵循现有的领域自适应策略。然而，我们认为，这是至关重要的，不仅要考虑查询选择标准，但也领域自适应策略设计的ADA方案。本文介绍了考虑域类型（源/目标）或标签性（标记/未标记）的顺序学习。我们首先训练我们的模型只标记的目标样本获得的损失为基础的查询选择。当基于损失的查询选择应用在域转移，无用的高损失的样本逐渐增加，标记样本的多样性变低。为了解决这些问题，我们通过利用损失预测来充分利用未标记目标域的伪标签。我们进一步鼓励伪标签具有低自熵和多样化的类分布。我们的模型在各种基准数据集中的性能显着优于以前的方法以及基线模型。
2022-04-25 cs.CV
Optimizing Fine-Tuning through Advanced Initialization Strategies for Low-Rank Adaptation
Tongji University（同济大学）
IniLoRA通过优化低秩矩阵初始化策略，提升大型语言模型微调效果，优于LoRA并在多种任务中表现更佳。
2026-01-14 cs.CL cs.LG
Vision transformers in domain adaptation and domain generalization: a study of robustness
University of Victoria（维多利亚大学）
本文综述了视觉Transformer在域适应和域泛化场景中的部署，将其分为特征级、实例级等适应方法及多域学习等泛化策略，并提供了综合分类表格，突显其在处理分布偏移中的鲁棒性与多功能性。
2024-10-15 cs.AI cs.CV
Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios
School of Electrical Engineering, Korea University（高丽大学电气工程学院）
本研究在14个数据集和两种场景下系统评测了四个病理学基础模型的适配策略，发现参数高效微调在一致性场景中表现优异，而仅修改测试阶段的少样本学习方法在数据受限的灵活性场景中更有效，为临床部署提供了指导。
2024-10-21 cs.CV
Prototype-Guided Continual Adaptation for Class-Incremental Unsupervised Domain Adaptation
Peking University（北京大学）；South China University of Technology（华南理工大学）；National University of Singapore（新加坡国立大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
本文研究了一个新的、实用的但具有挑战性的问题--类增量无监督领域自适应（CI-UDA），其中标记的源域包含所有类，而未标记的目标域中的类按顺序增加。由于两个困难，这个问题具有挑战性。首先，源标签集和目标标签集在每个时间步长都不一致，这使得难以进行精确的域对齐。第二，先前的目标类在当前步骤中不可用，导致先前的知识被遗忘。为了解决这个问题，我们提出了一种新的原型引导的持续适应（ProCA）的方法，由两个解决方案的战略。1)标签原型标识：我们通过用目标样本的累积预测概率检测共享类来识别目标标签原型。2)基于原型的对齐和重放：基于已识别的标签原型，我们对齐两个域并强制执行模型以保留先前的知识。通过这两种策略，ProCA能够有效地使源模型适应类增量的未标记目标域。大量的实验证明了ProCA在解决CI-UDA问题上的有效性和优越性。源代码可在https://github.com/Hongbin98/ProCA.git上获得
2022-07-29 cs.CV
Discrepancy-Based Active Learning for Domain Adaptation
Michelin（米其林）；Centre Borelli, Université Paris-Saclay, CNRS, ENS Paris-Saclay（巴黎萨克雷大学博雷利中心、法国国家科学研究中心、巴黎萨克雷高等师范学院）；ENSIIE（法国国家信息与自动化高等工程师学院）
本文的目标是设计主动学习策略，导致领域自适应的假设下，Lipschitz函数。在Mansour et al.（2009）以前的工作的基础上，我们采用了源和目标分布之间差异距离的概念，将假设类的最大化限制在对源域执行准确标记的局部函数类上。我们推导出的泛化误差界等主动学习策略的Rademacher平均和本地化的差异一般损失函数，满足正则性条件。从理论界出发，推导出了一种适用于大数据集情况的实用K中心点算法。我们的数值实验表明，该算法是竞争力对其他国家的最先进的主动学习技术的背景下，领域自适应，特别是对大数据集的约10万幅图像。
2022-09-14 cs.LG
Data Selection Strategies for Multi-Domain Sentiment Analysis
Aylien Ltd.（Aylien有限公司）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）
领域自适应在情感分析中是重要的，因为情感指示词在领域之间是变化的。近来，多领域自适应已经变得更加普遍，但是现有的方法训练所有可用的源域，包括不同的源域。然而，选择合适的训练数据与选择算法同样重要。我们进行-我们的知识第一次-广泛的研究领域相似性指标的背景下，情感分析，并提出了新的表示，指标，和一个新的数据选择范围。我们评估了两个大规模的多领域自适应设置的推文和评论，并证明他们一贯优于强随机和平衡的基线，而我们提出的选择策略优于实例级的选择，并产生最好的分数在一个大型的评论语料库。
2017-02-08 cs.CL cs.LG
Fine-Tuning Strategies for Continual Online EEG Motor Imagery Decoding: Insights from a Large-Scale Longitudinal Study
University of Stuttgart（斯图加特大学）；Inria（法国国家信息与自动化研究所）；Universite Paris-Saclay（巴黎萨克雷大学）；Federal University of ABC（ABC联邦大学）
本研究首次在大型用户组的多会话因果场景中探索持续微调策略，结合在线测试时适应（OTTA），发现基于受试者特定信息的逐步微调可提升性能与稳定性，OTTA实现无校准适配，为纵向在线EEG运动想象解码提供泛化性见解。
2025-02-05 cs.AI cs.LG
Network Architecture Search for Domain Adaptation
Stanford University（斯坦福大学）；Boston University（波士顿大学）
深度网络已经被用于学习用于领域自适应的可转移表示。现有的深度领域自适应方法系统地采用专门为图像分类任务设计的流行手工网络，导致次优的领域自适应性能。在本文中，我们提出了神经架构搜索领域自适应（NASDA），一个原则框架，利用可微神经架构搜索，以获得最佳的网络架构领域自适应任务。NASDA设计了两种新的训练策略：神经结构搜索与多内核最大均值离散，以获得最佳的架构，和对抗性训练之间的特征生成器和一批分类器，以巩固的特征生成器。我们的实验表明，NASDA导致国家的最先进的性能在几个领域自适应基准。
2020-08-13 cs.CV
Domain Adaptation and Active Learning for Fine-Grained Recognition in the Field of Biodiversity
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）；German Aerospace Center (DLR)（德国航空航天中心）
深度学习方法在广泛的领域提供了无与伦比的识别性能，包括细粒度识别任务。然而，在大多数问题领域，没有足够的注释训练样本。因此，迁移学习的课题分别进行领域自适应就显得尤为重要。在这项工作中，我们调查在何种程度上无监督的领域自适应可以用于细粒度的识别在生物多样性的背景下学习一个真实世界的分类器的基础上理想化的训练数据，例如保存的蝴蝶和植物。此外，我们研究了不同的归一化层，如组归一化结合权重标准化，对分类器的影响。我们发现，领域自适应工程非常好的细粒度的识别和规范化的方法有很大的影响的结果。使用领域自适应和可转移归一化，与基线相比，分类器的准确率可以提高高达12. 35%。此外，将领域自适应系统与主动学习组件相结合以改善结果。我们比较了不同的主动学习策略。令人惊讶的是，我们发现，更复杂的策略提供了更好的结果比随机选择基线的两个数据集之一。在这种情况下，距离和多样性策略表现最好。最后，我们对数据集进行了问题分析。
2021-10-22 cs.CV
Investigating Training Strategies and Model Robustness of Low-Rank Adaptation for Language Modeling in Speech Recognition
Amazon（亚马逊）
本文研究 LoRA 在语音识别第二遍语言建模中的训练策略与扰动鲁棒性，提出 NPRR 指标并发现高级 LoRA 变体在 1-best 与 N-best 扰动间存在权衡。
2024-01-19 cs.AI cs.CL cs.LG
Fed-DLoRA: Efficient Wireless Federated Learning with Dynamic Low-Rank Adaptation
School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子与信息工程学院）；School of Communication and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院）
本文提出Fed-DLoRA算法，结合低秩适应技术，有效降低参数和通信成本，提升训练效率，并通过理论分析建立低秩秩、车辆调度策略与模型收敛特性之间的关系，实验表明其在准确率、收敛速度和通信效率上优于传统方法。
2026-04-27 cs.LG cs.SY eess.SY
Sequential Domain Adaptation by Synthesizing Distributionally Robust Experts
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；The Hong Kong Polytechnic University（香港理工大学）；Stanford University（斯坦福大学）；VinAI Research（VinAI研究院）
最小二乘估计，当在几个目标域样本上训练时，可能预测不佳。有监督的领域自适应旨在通过利用来自接近目标分布的源分布的附加标记的训练样本来提高预测精度。鉴于现有的数据，我们研究新的策略，合成一个家庭的最小二乘估计专家，是强大的矩条件。当这些矩条件指定使用Kullback-Leibler或Wasserstein型分歧，我们可以找到有效地使用凸优化的鲁棒估计。我们使用伯恩斯坦在线聚合算法的建议家庭的强大的专家生成预测的顺序流的目标测试样本。对实际数据的数值实验表明，稳健策略可以优于经验最小二乘估计的非稳健插值。
2021-06-01 cs.LG math.OC stat.ML
Channel-Aware Low-Rank Adaptation in Time Series Forecasting
Tongji University（同济大学）；The Hong Kong Polytechnic University（香港理工大学）
针对时间序列预测中通道独立与通道依赖策略的优缺点，提出一种通道感知低秩适应即插即用方法，通过条件化模型平衡容量与泛化，显著提升多架构性能。
2024-07-24 cs.LG
COBRA: COmBinatorial Retrieval Augmentation for Few-Shot Adaptation
University of Washington（华盛顿大学）
针对少样本自适应中检索样本冗余问题，提出基于组合互信息度量的COBRA方法，兼顾多样性与相似性，在LAION-2B上显著提升图像分类性能且开销可忽略。
2025-03-28 cs.LG
Adaptive Hardness-driven Augmentation and Alignment Strategies for Multi-Source Domain Adaptations
School of Computer Science, Sichuan University（四川大学计算机学院）
本文提出多源域自适应方法A3MDA，通过三种自适应硬度度量同时改进数据增强、域间簇级对齐和域内伪对比对齐，在多个基准上取得更优性能。
2025-04-11 cs.CV
Anatomy-guided domain adaptation for 3D in-bed human pose estimation
University of Lübeck（吕贝克大学）；EchoScout GmbH（EchoScout有限责任公司）；Drägerwerk AG & Co. KGaA（德尔格股份两合公司）
针对深度姿态估计模型域偏移泛化差、需大量标注数据的问题，提出结合解剖学先验的域适应方法，通过解剖学损失约束与伪标签筛选的平均教师自训练，在卧床3D姿态估计任务上显著提升性能并缩小域差距。
2023-07-04 cs.CV
Conditional Adversarial Domain Adaptation
School of Software, Tsinghua University, China（清华大学软件学院，中国）；Tsinghua University, China（清华大学，中国）；University of California, Berkeley, Berkeley, USA（美国加州大学伯克利分校，伯克利）
对抗学习已经被嵌入到深度网络中，以学习用于领域自适应的解纠缠和可转移的表示。现有的对抗性领域自适应方法可能无法有效地对齐分类问题中固有的多模态分布的不同域。在本文中，我们提出了有条件的对抗性领域自适应，一个原则性的框架，条件的对抗性适应模型的判别信息中传达的分类器预测。条件域对抗网络（CDAN）设计了两种新的条件策略：多线性条件，捕获特征表示和分类器预测之间的互协方差，以提高区分度，熵条件，控制分类器预测的不确定性，以保证可转移性。通过理论保证和几行代码，该方法在五个数据集上超过了最先进的结果。
2018-12-29 cs.LG
Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Dongguk University（东国大学）；Stanford University（斯坦福大学）；Oldenburg University（奥尔登堡大学）
本文研究了糖尿病视网膜病变（DR）分级的领域自适应问题。我们学习不变的目标域特征定义了一种新的自我监督任务的基础上视网膜血管图像重建，医学领域知识的启发。然后，提供了当前最先进的无监督领域自适应方法在DR问题上的基准。可以看出，我们的方法优于现有的域自适应策略。此外，当利用目标域中的整个训练数据时，我们能够通过应用标准网络架构和使用图像级标签在最终分类精度上与几种最先进的方法竞争。
2021-07-20 cs.CV
Semi-supervised Models are Strong Unsupervised Domain Adaptation Learners
The Hong Kong Polytechnic University（香港理工大学）；South China University of Technology（华南理工大学）
无监督领域自适应（UDA）和半监督学习（SSL）是机器学习中减少昂贵的人工标注的两种典型策略。为了学习目标任务的有效模型，UDA利用可用的标记源数据，其可能具有与目标域中的未标记样本不同的分布，而SSL采用很少的手动注释的目标样本。虽然UDA和SSL看起来是非常不同的策略，我们发现，他们在任务目标和解决方案方面是密切相关的，SSL是UDA问题的一个特例。基于这一发现，我们进一步研究SSL方法是否适用于UDA任务。通过在UDA基准测试中采用8种有代表性的SSL算法，我们表明SSL方法是强大的UDA学习者。特别是，国家的最先进的SSL方法显着优于现有的UDA方法上具有挑战性的UDA基准DomainNet，和国家的最先进的UDA方法可以进一步增强SSL技术。因此，我们认为SSL方法应作为未来UDA研究的基线，并期望UDA和SSL之间的关系可以揭示未来UDA的发展。代码可从\url{https://github.com/YBZh}获得。
2021-06-01 cs.LG
Surprisal-Guided Selection: Compute-Optimal Test-Time Strategies for Execution-Grounded Code Generation
Arc Intelligence（Arc智能）
本文提出惊讶引导选择策略，通过提升样本多样性和智能选择，优化执行导向代码生成任务的测试时间策略，实现计算最优的高成功率。
2026-02-07 cs.AI cs.LG
Continuous Adaptation via Meta-Learning in Nonstationary and Competitive Environments
CMU（卡内基梅隆大学）；UMass Amherst（马萨诸塞大学阿默斯特分校）；OpenAI（开放人工智能研究中心）；UC Berkeley（加利福尼亚大学伯克利分校）
在非平稳环境中从有限的经验中不断学习和适应的能力是通往通用智能道路上的一个重要里程碑。在本文中，我们投的问题，不断适应学习的框架。我们开发了一个简单的基于梯度的元学习算法，适用于适应动态变化和对抗性的情况。此外，我们设计了一个新的多智能体竞争环境，RoboSumo，并定义了迭代适应游戏，用于测试连续适应策略的各个方面。我们证明了元学习比Few-Shot机制中的反应性基线能够实现更有效的适应。我们对一群学习和竞争的代理人的实验表明，元学习者是最合适的。
2018-02-23 cs.AI cs.LG
Benchmarking Domain Adaptation for Chemical Processes on the Tennessee Eastman Process
Université Paris-Saclay, CEA, LIST（巴黎-萨克雷大学、法国原子能委员会、LIST机构）；Federal University of Ceará（塞阿拉联邦大学）；Aalto University（阿尔托大学）
本文基于Tennessee Eastman Process提出一项化学过程域适应新基准，测试11种策略，发现基于最优传输的技术表现最优。
2024-07-29 cs.AI cs.LG cs.SY
Domain-Adaptive Pre-Training for Arabic Aspect-Based Sentiment Analysis: A Comparative Study of Domain Adaptation and Fine-Tuning Strategies
Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziza University, Jeddah, Saudi Arabia（计算机科学系，计算与信息技术学院，国王阿卜杜勒阿齐兹大学，沙特阿拉伯吉达）
本文针对阿拉伯语方面级情感分析标注数据稀缺问题，提出领域自适应预训练方法，并比较特征提取、全量微调和适配器方法，发现适配器微调计算高效且性能有竞争力，同时通过错误分析指出需引入句法和语义感知模型。
2025-09-20 cs.AI cs.CL cs.LG
Domain Decluttering: Simplifying Images to Mitigate Synthetic-Real Domain Shift and Improve Depth Estimation
UC Irvine（加州大学欧文分校）；Carnegie Mellon University（卡内基梅隆大学）
利用合成渲染的数据提供了改进单目深度估计和其他几何估计任务的巨大潜力，但是关闭合成-真实域间隙是一项重要的任务。虽然最近的工作主要集中在无监督的领域自适应，我们认为一个更现实的情况下，大量的合成训练数据补充了一小部分的真实图像与地面真相。在这种情况下，我们发现，现有的域转换方法是难以训练，并提供了一个简单的基线，使用混合的真实和合成数据的优势不大。一个关键的故障模式是真实世界的图像包含合成训练中不存在的新对象和杂波。现有的图像翻译模型无法处理这种高级域转换。基于这些观察，我们开发了一个注意力模块，该模块学习识别和去除真实图像中的困难域外区域，以提高主要基于合成数据训练的模型的深度预测。我们进行了大量的实验，以验证我们的参与删除完整的方法（ARC），并发现它显着优于国家的最先进的深度预测的领域自适应方法。可视化移除的区域提供了对合成-真实域间隙的可解释的见解。
2020-06-25 cs.CV
Viewpoint Adaptation for Rigid Object Detection
Duke University（杜克大学）；CoVar Applied Technologies（CoVar应用技术公司）
对象检测器在应用于从与其被训练的视点不同的视点拍摄的图像数据时执行次优。在本文中，我们提出了一个视点自适应算法，允许一个训练有素的单视图对象检测器，以适应一个新的，不同的观点。我们首先说明了如何从源和目标视点之间的已知单应性来推断特征空间变换。其次，我们证明了各种训练的分类器可以被修改，以表现得好像该转换被应用于每个测试实例。所提出的算法进行评估的人检测任务，使用PETS 2007和CAVIAR数据集的图像，以及从一个新的合成多视图的人检测数据集。它产生了很大的性能改进时，适应单视图的人检测器，以新的观点，同时降低了计算复杂性。这项工作有可能提高检测性能的相机从任意视点观看对象，同时简化数据汇集和特征提取。
2017-02-24 cs.CV
Multiple Fusion Adaptation: A Strong Framework for Unsupervised Semantic Segmentation Adaptation
Baidu Research（百度研究院）
本文提出了跨领域语义分割的任务，旨在提高对未标记的目标领域的分割精度，而不会招致额外的注释。利用基于伪标签的无监督领域自适应（UDA）流水线，提出了一种新颖有效的多融合自适应（MFA）方法。MFA主要考虑三种并行信息融合策略，即，跨模型融合、时域融合和一种新的在线-离线伪标签融合。具体而言，在线-离线伪标签融合鼓励自适应训练对容易被离线伪标签忽略的困难区域给予额外的关注，从而保留更多信息细节。虽然其他两种融合策略可能看起来是标准的，但MFA在提高集成的效率和有效性方面做出了重大努力，并成功地将所有三种策略注入到一个统一的框架中。在两个广泛使用的基准上进行实验，即，GTA5-to-Cityscapes和SYNTHIA-to-Cityscapes的结果表明，我们的方法显著提高了语义分割适应性，并建立了新的最新技术水平（分别为58.2%和62.5% mIoU）。该代码将在https://github.com/KaiiZhang/MFA上提供。
2021-12-01 cs.CV
De-Simplifying Pseudo Labels to Enhancing Domain Adaptive Object Detection
Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室）；Beihang University（北京航空航天大学）
本文针对自标签目标检测中简单标签偏差问题，提出DeSimPL方法，通过实例级记忆库更新伪标签、引入对抗样本和自适应加权损失，在四个基准上显著提升了自标签检测器的域自适应性能。
2025-07-01 cs.CV
Dual Strategies for Test-Time Adaptation
Institute for AI Innovation and Societal Impact, Hanoi University of Science and Technology（人工智能创新与社会影响研究所，河内科学技术大学）；Monash University（墨尔本大学）；Adelaide University（阿德莱德大学）
本文提出DualTTA框架，通过利用更多样化的测试样本提升分布偏移下的性能。通过区分预测一致与不一致的样本，分别最小化和最大化熵以增强决策可靠性并抑制错误。
2026-04-19 cs.CV
On the Effectiveness of Adaptation Strategies for VLM-Based Federated Learning in Remote Sensing
BIFOLD - Berlin Institute for the Foundations of Learning and Data（BIFOLD - 柏林学习与数据基础研究所）；Technische Universität Berlin（柏林工业大学）；National Technical University of Athens（雅典国家技术大学）；National Observatory of Athens（雅典国家天文台）；Harokopio University of Athens（哈罗科皮奥雅典大学）
本文针对遥感图像分类场景，首次对比全微调、LoRA等四种VLM适配策略在联邦学习中的表现，给出不同约束下的策略选择指南。
2026-08-06 cs.CV
Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection
KAIST（韩国科学技术院）；Harvard University（哈佛大学）
专用于语义分割的训练模型需要大量逐像素注释的数据。由于其成本高昂的特性，这些注释可能无法用于手头的任务。为了缓解这个问题，无监督的领域自适应方法旨在对齐标记源数据和未标记目标数据之间的特征分布。虽然这些战略带来了显著的改善，但其效力仍然有限。为了更有效地指导领域自适应任务，以前的作品试图在目标数据中以稀疏单像素注释的形式将人类交互包括在这个过程中。在这项工作中，我们提出了一个新的领域自适应框架语义分割通过主动选择注释点。首先，我们进行无监督的领域自适应的模型，从这个适应，我们使用基于熵的不确定性测量的目标点的选择。最后，为了最小化领域差距，我们提出了一个领域自适应框架，利用这些目标点注释的人类注释。基准数据集上的实验结果表明，我们的方法对现有的无监督领域自适应方法的有效性。建议流水线是通用的，并且可以作为现有领域自适应策略的额外模块被包括。
2022-06-04 cs.CV
Super-Resolution of BVOC Emission Maps Via Domain Adaptation
Politecnico di Milano（米兰理工大学）
本研究结合深度学习超分辨率与域自适应技术，利用模拟排放图信息增强卫星观测的BVOC低分辨率排放图，并系统评估数据稀缺对自适应策略的影响，为观测排放重建提供初步方案。
2023-06-22 cs.CV eess.IV
Subgroup performance analysis of adaptation strategies for chest X-ray foundation models
Imperial College London（帝国理工学院）；Royal Brompton Hospital（皇家布朗普顿医院）；Causality in Healthcare AI Hub（医疗保健AI因果关系中心）；National Heart & Lung Institute（国家心肺研究所）
该研究针对胸部X射线基础模型，探究三种参数高效适配技术对病理分类性能与子组公平性的影响，发现整体性能提升未必减少子组差异，公平性影响需直接按任务评估
2026-09-04 cs.CV
Adaptation of Foundation Models for Medical Image Analysis: Strategies, Challenges, and Future Directions
James Cook University（詹姆斯库克大学）
本综述全面评估了基础模型适配医学图像分析的策略与挑战，探讨了监督微调、参数高效微调及多模态框架等方法，并指出了持续学习、隐私保护等未来方向，为开发临床集成的自适应FMs提供了路线图。
2025-11-03 cs.AI cs.CV
Source-Free Online Domain Adaptive Semantic Segmentation of Satellite Images under Image Degradation
University of California, Riverside（加州大学河滨分校）；Sungkyunkwan University（成均馆大学）
针对卫星图像退化引起的分布偏移，提出一种无需反向传播的轻量级测试时适应方法，通过逐步估计全局BN统计量和使用全局类中心细化掩码，实现快速稳定的在线域自适应。
2024-01-04 cs.CV
Turin3D: Evaluating Adaptation Strategies under Label Scarcity in Urban LiDAR Segmentation with Semi-Supervised Techniques
Politecnico di Torino（都灵理工大学）；LINKS Foundation（LINKS基金会）；Sapienza Università di Roma（罗马大学）
本文提出Turin3D城市航空LiDAR点云数据集，通过基准测试和半监督学习评估标签稀缺条件下现有分割模型的适应与性能提升。
2025-04-08 cs.AI cs.CV
Target-Aware Generative Augmentations for Single-Shot Adaptation
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Arizona State University（亚利桑那州立大学）
本文提出了一种名为 SiSTA 的新方法，通过使用单样本目标微调源域生成模型并采用新颖采样策略整理合成数据，有效解决了单样本适应中的大分布偏移问题，显著提升了泛化能力。
2023-05-22 cs.AI cs.CV
