深度域自适应目标检测综述
来源：计算机工程与应用杂志2026年第11期北京时间：
作者：任方园, 李俊
单位：江西理工大学 信息工程学院，江西 赣州 341000；
摘要：传统基于深度学习的有监督目标检测方法依赖大量标注数据，并假设训练与应用场景数据分布一致，因此在跨域迁移时往往性能显著下降，而域自适应技术通过缓解源域与目标域分布差异，可以有效减少对大规模标注的依赖。自2018年首个无监督域自适应目标检测算法提出以来，研究者们相继探索了无监督、少样本、弱监督、无源域、测试时、开集及通用等域自适应目标检测方法，以应对数据稀缺、环境动态变化及类别未知等实际挑战。现有综述多集中于无监督域自适应或某一类算法，缺乏少样本、弱监督等多种类型的系统总结，从实际应用需求出发，梳理不同方法的适应机制与模型设计，分析不同类型算法在隐私保护、持续学习与快速部署等复杂场景下的优势，以为研究者理解域自适应目标检测的发展脉络与方法选择提供系统性参考与启示。
关键词：域自适应,目标检测,深度学习,计算机视觉
基金资助：国家自然科学基金（62066018，62266020）；江西省教育厅科学技术研究项目（GJJ180482）；江西理工大学博士启动基金（3401223359）。
