报告时间：2021年06月09日 (星期三)晚上20:00 (北京时间)
主 题：领域自适应方法与进展
主 持 人：朱霖潮 (悉尼科技大学)
Panel嘉宾：Dengxin Dai (ETH Zurich)，武阿明 (西安电子科技大学)、李文 (电子科技大学)、刘子纬 (Nanyang Technological University)
报告地址：http://valser.org/article-421-1.html
还有可做、值得讨论的内容：1.UDA和别的CV/ML内容融合，比如增加一点superivision做弱监督、半监督、少样本学习、域扩展；
2.DA到底省了多少人工标注（省了多少标注工作，工业界关注），为公司提供一条更可靠的路径。现有路径是面对出现的新域的任务时，直接去标注，而不是选择“不可控的”DA方法
3.一个足够大的强预训练模型是否能替代DA
4.联邦域自适应，数据保护，source-protect/source-free，
5.点云数据的DA，做evaluation看看有啥问题
6.多目标域自适应，multi-task之间相互帮助？information-shared？
7.借鉴预训练的思路，从各种变化之中学习不变，去解掉跨域之间的gap，学习域不变的特征
8.test-time domain adaptation（online adaptation）
9.how to learn to adapt（meta-learning）
领域可迁移与不可迁移的判断研究hard to answer
多模态的域适应问题- 如何audio，image，video，雷达等多传感器，优势互补，其他的模态对目标域辅助进行鲁棒迁移，
- 根据少量医学数据解决由设备导致的差异
- 数据标注难获取的场景，如医疗、智慧城市（人的活动是千奇百怪的、光照、相机部署、人的穿着、城市环境都是差异的）、online电商以图搜图（商品图和用户拍的图之间通常是有差异的）、自动驾驶（multi-sensors）
- 视频字幕生成（视频&字幕的DA）
