本研究提出了一种变化适配网络（CANet），旨在解决遥感图像变化检测方法的泛化性能差的问题。CANet结合了共享与特定学习模块，通过轻量级适配器有效应对数据差异，快速适应新任务。实验结果表明，其在多个数据集上表现优异。

本文提出了一种新方法，通过减少CLIP模型中的模态内重叠（IMO）来提升少样本分类性能。研究表明，减少IMO与模型性能呈正相关。训练轻量级适配器可有效提高分类准确性和鲁棒性。

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。