本文研究了点云语义分割中的域自适应和测试时间自适应，通过引入领域转换和更新 BN 统计的方法，以及最大化信息和可靠性约束伪标签的方法，提高了分类准确率。在摄影测量到空中 LiDAR 的适应中，达到了59.46%的mIoU和85.97%的OA。

该研究使用多个大规模数据集进行时域天文学分析，开发了多源流的机器学习模型。通过领域转换和半监督深度领域自适应的方法，改进了纯深度学习分类模型的性能。研究发现，即使只有一个标记样本，精细调整和MME模型也能显著提高基础模型的性能，而不会影响源数据集上的性能。