本研究提出了一种低功耗在线适应框架，通过动态调整发射阈值，增强脉冲神经网络（SNNs）对分布变化的鲁棒性，具有重要的设计启示。

本研究提出了一种自适应熵感知优化框架（AEO），用于多模态开放集测试时的适应（MM-OSTTA）。该框架通过优化未知类别样本的自适应熵和模态预测差异，提升了在线适应性能，展现出在长时间场景中的强大适应能力，具有广泛的应用潜力。

本研究提出了一种新方法，解决元强化学习在多任务优化中的训练损失不平衡问题，特别是由于任务回报尺度不均造成的瓶颈。该方法在不同环境中表现出显著进展，推动了在线多任务适应和记忆问题的解决。

该研究提出了一种自我监督的在线适应方法AdaCropFollow，旨在提高自主农业机器人在冠层下导航的准确性。通过结合视觉基础模型和几何先验，该模型能够在不同环境中自我适应，实现全自动的作物行跟随能力。

本研究探讨了提高图像识别模型鲁棒性的方法，包括非监督在线适应、数据增强和对抗训练。研究表明，通过改进模型和训练策略，在多个数据集上，尤其是在应对噪声和对抗攻击方面，取得了显著的性能提升。

本文提出了一种新的在线适应方法，解决深度学习模型在目标检测中的领域转变问题。通过引入轻量级适配器模块，仅更新这些模块，保持预训练骨干网络不变，从而快速适应新测试领域。同时，研究探讨了动态样本选择和持续测试时间适应等方法，以提高模型在变化目标分布中的性能，避免灾难性遗忘和错误积累。实验结果表明，该方法在多个基准测试中表现优异。