本文提出了一种基于对抗学习的无监督域适应框架，旨在解决不同模态医学图像分割的跨域问题。该方法通过域适应模块和域批判模块，利用MRI图像训练的卷积神经网络适应CT数据，实现心脏结构分割，取得良好效果。同时，研究探讨了结合特征匹配和域对抗训练的多域医学图像分割深度无监督领域自适应方法，以提升分割性能。

本文介绍了多种基于深度学习的3D目标检测方法，包括利用卷积神经网络提高检测精度、无监督域适应和双向特征传播框架。这些方法在KITTI和NuScenes等数据集上取得了显著的性能提升，标志着3D检测技术的进步。

本文提出了一种基于对抗学习的无监督域适应框架，旨在解决不同模态医学图像分割中的跨域问题。该方法利用MRI图像训练的卷积神经网络，能够适应非配对的CT数据进行心脏结构分割，取得了良好效果。同时，研究探讨了多模态学习、形状先验知识和图像对齐等方法，验证了在多个医学任务中的优越性和鲁棒性。

本研究探讨了无监督域适应（UDA）在语义分割中的应用，提出了新方法DAFormer，表现优于现有技术。同时，介绍了多种Transformer架构，如SegFormer和DualFormer，在图像和视频识别任务中展现了卓越性能。

该研究提出了一种新型无监督域适应方法，通过域多样性和多域不变表示学习来改善目标检测的源偏差，实现在多个数据集上3%~11%的精度提升。同时，研究探讨了增量学习中的灾难性遗忘问题，并提出多种策略以提高模型在不同领域下的适应性和性能。

本文介绍了一种自适应积累知识传递框架（A²KT），旨在解决部分域适应问题。该框架通过自适应机制和双特征分类器结构，优化类内紧凑性和类间分离性，从而提升模型的鲁棒性和泛化能力。研究表明，该方法在多个基准数据集上表现优于现有技术，特别是在无监督域适应和跨域知识转移方面取得了显著成果。

本文探讨了医学图像分割中的无监督域适应（UDA）和半监督域适应方法，提出了SDC-UDA和SFDA等新框架，以解决源数据不足和领域转移问题。研究表明，这些方法在分割精度和性能上优于传统技术，尤其在处理无标签数据时表现突出。

本文综述了最新的单源深度无监督域适应方法，重点讨论了视觉任务中的对抗式和自监督策略，并总结了现有基准数据集及未来研究方向。

本研究提出了一种端到端的域翻译和立体匹配网络训练框架，通过新颖的损失函数提升合成立体图像到真实图像的转换效果。实验结果表明，联合优化有效解决领域偏差问题，实现更准确的立体匹配。该框架在真实图像场景中表现优异，结合无监督域适应和光流估计，展现出竞争力的性能。

本研究探讨无监督域适应问题，提出了多种方法以提高目标检测性能，包括基于未标注视频数据的自适应方法和细粒度领域适应策略。实验结果表明，这些策略在不同领域和条件下均表现出色，推动了计算机视觉的发展。

基于深度学习的COVID-DA方法通过特征适应和分类器分离有效检测COVID-19患者，显著提高了诊断效率。研究表明，无监督域适应框架在COVID-19检测中表现优于现有技术。

本文探讨了多种无监督域适应方法在语义分割中的应用，包括伪标签训练、因果原型启发的对比适应和自我监督学习。这些方法通过不同策略提升了模型在新领域的泛化能力，实验结果在多个数据集上表现优异。

本文提出首个多任务视觉变换器适配器，嵌入现成ViT骨干，可同时处理多个密集视觉任务，无需在新任务或领域上重训微调。其任务适应注意机制融合梯度与注意力相似度，学习通用任务关联，支持零样本迁移和无监督域适应，性能优于CNN及ViT多任务方法。

该研究提出了一种新的两阶段学习过程，实现无监督域适应并源自由部署。在采购阶段，利用源数据增强了模型拒绝源外分布样本的能力；在部署阶段，提出了一个简单而有效的源自由自适应目标，实现了卓越的域适应性能。

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。