在阅读 Self-supervised Augmentation Consistency for Adapting Semantic Segmentation 时，突然发现不太清楚无监督领域自适应 领域自适应 迁移学习中的一种代表性方法，利用源域的丰富样本提升目标域模型的性能。问题：他们的分布不同。不同阶段的方法不同[1] 无监督领域自适应 领域自适应的关键是如何减小source和t

机构：约翰霍普金斯 论文：https://arxiv.org/abs/2203.05574 代码：https://github.com/jeya-maria-jose/On-The-Fly-Adaptation 摘要 基于深度学习的医学成像解决方案的一个主要问题是，当模型在不同于其训练的数据分布上进行测试时，性能会下降。在测试时调整源模型以适应目标数据分布是解决数据迁移问题的有效方法。以前

论文  https://arxiv.org/abs/2303.15361 代码  https://github.com/tim-learn/awesome-test-time-adaptation （其实这是相关领域代码和论文合集之类的东西） Abstract 机器学习方法努力在训练过程中获得一个鲁棒模型，即使在分布变化的情况下也能很好地泛化到测试样本。然而，由于未知的测试分布，这些方法

RUL论文阅读 ——A Novel Evaluation Framework for Unsupervised Domain Adaption on Remaining Useful Lifetime link : article code 一、 Introduction 由PMD（Predictive Maintenance） 提出 RUL DNN（require large amoun