该文综述半监督与无监督域自适应语义分割，涵盖SSDA、AdaMatch、跨域混合、原型对齐等方法，通过清除源标签噪声、一致性学习、特征聚类缩小域间差异，在Cityscapes等基准上优于现有方法。

本文综述少样本分割与跨域少样本学习进展，涵盖基于适配器的PAM框架、跨域自适应细化DARNet与测试时自适应、联合训练框架及可转移子簇、点云原型适应、stabPA紧凑原型对齐、元学习双自适应对齐、AMFormer对抗挖掘、解释引导训练、密集亲和匹配DAM及遥感DMNet双挖掘网络，并在PASCAL-5i、COCO-20i、DomainNet等数据集上提升性能。

该研究提出了一种无监督的原型知识蒸馏网络（ProKD），通过原型对齐和基于原型的自训练两种方法，提高模型在跨语言命名实体识别问题上的表现。实验结果表明该方法有效。