本研究针对在不受约束的真实环境中进行面部表情识别时面临的领域转移问题，提出了一种新的费舍尔驱动选择性适应框架。该方法能够动态识别并更新最关键的模型参数，从而在仅更新22,000个参数的情况下，实现F1得分提高7.7%的显著效果，极大提高了适应效率并降低了计算开销。

本文提出了一种基于Fourier的语义增强方法FIESTA，通过操纵频率域中的振幅和相位组件来增强医学图像分割的基本目标。实验结果显示，FIESTA在分割性能上超过了最近的最先进的单源域通用方法，并显著促进了模型在医学成像模态中的适用性。