本研究解决了无源领域泛化(SFDG)中的多类别风格合成效率低的问题，提出了一种名为BatStyler的新方法。该方法通过粗语义生成和均匀风格生成模块，提高了在多类别场景中的风格合成能力，实验结果表明其在多类别数据集上超越了现有的先进技术。

本研究解决了在无源半监督领域适应（SF-SSDA）中有效融合原始脑电图（EEG）数据与专家知识，以及对齐源领域和目标领域分布的挑战。提出的KDF-MutualSHOT方法通过互学机制和基于一致性的伪标签选择策略，显著提高了癫痫亚型分类的准确性，超越了其他监督和无源领域适应方法。

本研究解决了无源跨域少样本学习（SF-CDFSL）中只能使用预训练模型和少量目标样本的问题，缺乏源数据和策略。提出了一种新的逐步分布对齐引导样式提示调优方法（StepSPT），通过优化预测分布来缩小领域间的差距，从而在五个数据集上取得了优于现有方法的结果，展示了其有效性和潜在影响。

本文介绍了多种图领域自适应方法，包括基于图傅里叶变换的半监督学习、无监督节点分类和域对齐技术。这些方法在不同数据集上表现优异，有效解决了源图缺失和标签稀缺等问题，推动了图学习的发展。

本研究提出昼夜适应框架（DyNA），解决医学图像在不同中心间的分布差异。DyNA通过循环适应，仅用目标领域数据调整模型，确保隐私和临床有效性。结果显示，该方法显著提高了目标领域的推断性能，具有重要临床应用潜力。

本研究解决了无监督领域适应中无源数据可用带来的挑战，特别是在依赖嘈杂伪标签和分布转变时。提出的A3框架结合自监督学习、对抗训练和主动学习，有效地进行领域对齐和噪声减少。研究表明，A3的综合方法显著提升了无源领域适应的效果。

本文解决了无源无监督域适应（SFUDA）在3D语义分割中的关键问题，特别是训练时间后性能下降的困境。提出了一种合理的正则化学习策略和一种基于与参考模型一致性的新的标准，以有效停止训练并选择超参数，从而保证了在各种3D激光雷达设置下的显著性能提升。

本文探讨了图领域适应的方法，提出了多种无监督和半监督学习技术，以有效将源图的知识转移至目标图。研究表明，基于图傅里叶变换、谱正则化和邻域感知自训练的方法在多个数据集上显著提升了分类性能，解决了领域间的分布偏移问题。

该论文提出了一种无监督领域适应的新方法，结合自我监督学习和对比学习框架，以减少培训与测试集之间的领域差异。研究表明，该方法在多个数据集上实现了最先进的性能，并引入伪标签和动态集成不确定性估值框架，以增强模型的适应性和鲁棒性。

本文提出了一种新的无源领域自适应框架，利用伪标签和无源域自适应算法，解决目标数据的不确定性和分布偏移问题。该方法在多个任务上展现了优越的校准效果，计算轻量且无需源数据，增强了模型的鲁棒性。

本文提出了一种新颖的无源目标检测方法，结合伪标签和对抗学习技术，通过优化高低置信度阈值提升伪标签质量。实验结果表明，该方法在跨域目标检测中表现优异，超越现有技术，具有广泛应用潜力。

本文提出了一种新颖的源域自由领域适应方法，旨在提高医学图像分割的准确性和多样性。通过不确定性伪标签引导和双向传输，实验证明该方法在多个数据集上显著提升了Dice系数，优于现有技术。

本文提出了一种广义源自由域自适应（G-SFDA）方法，结合局部结构聚类和稀疏域注意力，以提高目标领域的分类准确率。实验结果表明，该方法在多个基准测试中表现优异，尤其在VisDA上达到了85.4%的准确率。此外，研究探讨了无源领域自适应的潜力，并提出了蒸馏多模态基础模型（DIFO），显著提升了现有方法的性能。

本文提出了一种新型的无源无监督域自适应方法，解决了针孔图像到全景图像的语义分割问题。通过割裂等距投影和全景原型自适应模块等技术，显著提升了分割性能。实验结果表明，该方法在多个基准测试中优于现有技术，具有更高的准确率和效率。

本文介绍了多种无源域自适应方法，如ATCoN注意力机制、基于生成伪标签的目标检测和视频语义分割。这些方法通过特征一致性、对抗学习和自监督知识蒸馏等技术，显著提升了目标检测和动作识别的性能，研究结果在多个基准测试中表现优异，具有广泛的应用潜力。

本文介绍了一种基于损失加权策略的无源无监督领域适应方法，通过估计伪标签的不确定性逐步优化伪标签，并采用自监督对比框架增强知识聚合。该方法在多个基准测试中表现优异，证明了其鲁棒性，并探讨了在医学图像分割等领域的应用，展示了其有效性和通用性。

本文讨论了无源探头的问题，探头带宽较低，因为探头上串联了一个大电阻。拆解探头后发现内部结构包括探针、电路板、电阻电容和同轴线。阻尼电阻用于抵消探头寄生电感带来的系统频响上的尖峰。10X探头通过补偿电路提高了带宽。探头不能用于同轴线匹配50欧姆或75欧姆的系统，因为同轴线的阻抗分布不均匀，存在较大的电阻成分。

本文提出了一种基于全局和本地聚类的学习技术（GLC），用于识别已知数据样本并拒绝未知样本。研究表明，该方法在开放部分集领域自适应（DA）中表现优越，提升了性能。此外，广义源自由域自适应（G-SFDA）方法通过局部结构聚类和稀疏域注意力优化特征通道激活，取得了先进的实验结果。

本文提出了一种新颖的双路径无监督域自适应框架DPPASS，旨在解决全景语义分割中的畸变问题。通过交叉投影和内部投影训练，显著提高了性能并减少了参数。此外，针对无人车自主驾驶中的360度视角图像分割，提出了基于注意力机制的自适应算法框架P2PDA，取得了更高的准确率和效率。

本文提出了一种广义源自由域自适应（G-SFDA）方法，通过局部结构聚类和稀疏域注意力处理未标记目标数据。实验结果表明，该方法在多个基准测试中表现优异，尤其在VisDA上达到85.4%的性能，优于传统域自适应方法。