本文做了近些年的2D图像无监督域自适应目标检测综述，仅粗读，简单了解一下该领域有哪些内容

在个人主页中同样记录了3D点云无监督域自适应的相关综述内容

同样以图片形式发布在本人知乎账号：https://zhuanlan.zhihu.com/p/1944855833654563203

标签时间发表引用论文标题创新点
graph2024CVPR19M3-UDA: A New Benchmark for Unsupervised Domain Adaptive Fetal Cardiac Structure Detection直方图匹配缓解源域与目标域之间的域差异，子结构和全局结构匹配对齐拓扑关系
2024ICML10Unsupervised Domain Adaptation for Anatomical Structure Detection in Ultrasound Images解剖结构和形态特征具有跨域一致性，利用拓扑先验进行拓扑知识迁移，利用MAGNN和数值平衡实现形态知识迁移
2023TPAMI69SIGMA++: Improved Semantic-Complete Graph Matching for Domain Adaptive Object DetectionSIGMA的核心是基于二阶普通图（节点对连接）建模类条件分布，而SIGMA++将其升级为高阶超图（多节点连接的超边）
2023CVPR50CIGAR: Cross-Modality Graph Reasoning for Domain Adaptive Object Detection提出了一种cross-modality graph reasoning自适应方法，可以同时利用视觉与语言知识
2022CVPR264SIGMA: Semantic-complete Graph Matching for Domain Adaptive Object Detection通过graph matching来对齐类别的条件分布；提出Graph-embedded Semantic Completion module
2022AAAI95SCAN: Cross Domain Object Detection with Semantic Conditioned Adaptation在跨域目标检查建立无偏语义模型，采用条件核引导的对齐模块和基于图的语义迁移机制来实现类别级别的适应
2020CVPR319Cross-domain Detection via Graph-induced Prototype Alignment通过基于graph的region proposals之间的信息传播获得更精确的实例级特征，并在此基础上推导出用于类别级领域比对的每类prototype表示；设计了一个类别加权对比损失来调整适应训练过程
teacher-student2024AAAI9ISP-Teacher:Image Signal Process with Disentanglement Regularization for Unsupervised Domain Adaptive Dark Object Detection采用teacher-student架构，对source进行增强时使用自监督可学习的图像信号处理方式；提出解耦正则方法避免图像处理和检测任务间的冲突
2023CVPR116Contrastive Mean Teacher for Domain Adaptive Object Detectors提出将mean teacher和对比学习结合的通用框架
2023CVPR78Harmonious Teacher for Cross-domain Object Detection在训练模型时对分类与定位分数的一致性进行正则化来提升伪标签质量；设计和谐度量对样本重加权重构传统样本选择方法
2022CVPR282Cross-Domain Adaptive Teacher for Object Detection在传统teacher-student框架的基础上，利用对抗性学习和弱强数据增强来减轻域偏移，提高目标域伪标签的质量
2022ICML123Learning Domain Adaptive Object Detection with Probabilistic Teacher通过不确定性引导的一致性训练来促进分类适应和定位适应，而非置信度阈值来过滤伪框；将锚点适应与定位适应同步进行；提出了一种新型的Entropy Focal Loss
2022ECCV56Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-training引入几何对齐的多尺度训练策略，以解耦相机参数并确保各域间的几何一致性；使用teacher-student范式，在目标域生成自适应伪标签
2021CVPR422Unbiased Mean Teacher for Cross-domain Object Detection弥补模型的偏差：cross-domain蒸馏利用teacher专业知识；像素级适应来增加student训练样本以减少模型偏差；out-of-distribution估计策略，选择最适合当前模型的样本来加强跨域蒸馏过程
对抗2025TIV17Domain Adaptation Based Object Detection for Autonomous Driving in Foggy and Rainy Weather进行image-level和object-level的适应；提出新的对抗梯度反转层对困难实例进行对抗；通过数据增强生成辅助域
2022WACV53SC-UDA: Style and Content Gaps aware Unsupervised Domain Adaptation for Object Detection提出Fine-grained Frequency Domain Style Transfer technique
2022TMM153Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection设计一种不确定性度量指标来评估每个样本的对齐效果，自适应地调整对抗学习的强度;利用该不确定性度量实现课程学习机制
2022CVPR141Task-specific Inconsistency Alignment for Domain Adaptive Object Detection在分类和定位分支中都引入了辅助预测器，并利用它们的行为差异作为更细粒度的领域特定指标；针对不同任务的损失函数来协调这两个子任务间的跨领域差异
2021CVPR268MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection通过类别感知判别器实现类别感知特征对齐，并利用内存引导的特定类别注意地图，解决目标样本类别信息缺失的问题
2021IJCV146Scale-Aware Domain Adaptive Faster R-CNN通过图像级和实例级的尺度感知域自适应模块，对抗性训练领域分类器，有效应对图像样式、光照等全局变化和目标外观、大小等局部差异
2020WACV445Progressive Domain Adaptation for Object Detection 通过对抗性学习在特征层面对齐源域和中间域，以及中间域和目标域
2020CVPR386Harmonizing Transferability and Discriminability for Adapting Object Detectors旨在解决域自适应中迁移能力和判别能力的矛盾，通过三种机制：重要度加权对抗训练、上下文感知实例级对齐及局部特征掩模，分别增强全局、实例和局部的迁移能力
2020ECCV291Every Pixel Matters: Center-Aware Feature Alignment for Domain Adaptive Object Detector通过预测逐像素的目标和中心度，解决了全局对齐中前景和背景像素混淆的问题
2020ECCV222Prior-Based Domain Adaptive Object Detection for Hazy and Rainy Conditions先验域对抗目标检测框架，通过利用天气条件的数学模型来减少特征中的天气信息
2019CVPR896Strong-Weak Distribution Alignment for Adaptive Object Detection弱对齐模型将对抗性对齐损失聚焦于全局相似的图像，而较少关注全局不相似的图像对齐；强域对齐模型仅关注特征图的局部感受野
2019CVPR448Adapting Object Detectors via Selective Cross-Domain Alignment聚焦于图像中的局部区域以提高目标检测精度；通过区域挖掘确定重要区域，并利用对抗训练实现区域级别的域间对齐
2019CVPR390Diversify and Match: A Domain Adaptive Representation Learning Paradigm for Object Detection领域多样化通过从源域生成多种差异化的偏移域来丰富标注数据的分布；多域不变表征学习采用对抗学习结合多域判别器，促使特征在不同域间难以区分
语义对齐2024PR37DSCA: A Dual Semantic Correlation Alignment Method for domain adaptation object detection上下文和类别相关语义对齐
2022CVPR120Multi-Granularity Alignment Domain Adaptation for Object Detection同步编码pixel-, instance-和category-levels的依赖关系，实现两个领域的对齐
mixup2023WACV76ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing提出基于区域级检测置信度的样本混合策略
梯度设计2021CVPR113Domain-Specific Suppression for Adaptive Object DetectionUDA检测任务复杂性对模型迁移性要求更高，现有方法未分离权重/梯度的领域不变与特定方向，导致领域不变方向失配，性能下降，本文提出领域特定抑制，在反向传播中约束卷积梯度，分离并抑制领域特定方向
正则2020CVPR391Exploring Categorical Regularization for Domain Adaptive Object Detection图像级类别正则化通过多标签分类器强化关键区域的激活；类别一致性正则化CCR自动发现目标域的难对齐实例
prototype2021CVPR134RPN Prototype Alignment For Domain Adaptive Object Detector构建可学习的RPN prototypes，强制源域与目标域的RPN特征分别对齐前景/背景prototypes；采用IoU筛选的伪标签生成策略指导 RPN 特征学习；结合Grad CAM定位前景判别区域提升RPN特征区分度
对比2024TGRS31Domain Adaptation With Contrastive Learning for Object Detection in Satellite Imagery使用cycleGAN处理源和目标图像，然后对浅层loacal特征和深层gloabl特征做对比学习
# 目标检测 # 深度学习 # 计算机视觉 # 论文阅读
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局