使用深度神经网络解决问题通常依赖于大量标记的训练数据来实现高性能。虽然在许多情况下可以并且经常生成和使用大量未标记的数据，但获取数据标签的成本仍然很高。迁移学习 (TL)，尤其是域适应 (DA)，已成为克服注释负担的有效解决方案，它利用目标域中可用的未标记数据以及标记数据或类似的预训练模型，然而不同的源域。本书的目的是概述应用于计算机视觉的此类 DA/TL 方法，该领域在过去几年中的受欢迎程度显着增加。
　　在讨论和比较利用深度架构进行视觉识别的不同领域适应策略之前，本书通过重新审视理论背景和一些历史浅层方法来奠定基础。书中介绍了基于自我训练的方法空间，这些方法从深度半监督和自我监督学习的相关领域中汲取灵感，以解决深度领域适应问题。超越经典的领域适应问题，然后探索在实践中应用领域适应时出现的问题设置的丰富空间，例如部分或开放集 DA，其中源和目标数据类别不完全重叠，连续 DA，目标数据以流的形式出现，依此类推。接下来，本书考虑限制最少的域泛化 (DG) 设置，这是一种极端情况，在训练期间既没有标记也没有未标记的目标数据可用。最后，本书通过考虑学习到学习的新兴领域以及如何应用它来进一步改进现有方法来解决跨领域学习问题，如 DA 和 DG。

加布里埃拉·库尔卡
　　法国 NAVER LABS Europe 的首席科学家。她的主要研究兴趣是用于图像理解、3D 重建、视觉定位以及域适应和迁移学习的计算机视觉。她为大约 100 篇科学通讯做出了贡献，其中几篇是关于 DA 主题的。她在 ECCV'20 上进行了多次受邀演讲并组织了有关领域适应的教程。2017 年，她为Springer编辑了图书《计算机视觉应用的领域适应》。

蒂莫西
　　爱丁堡大学的教授、剑桥三星人工智能研究中心首席研究员和艾伦图灵研究所研究员。他的研究重点是终身机器学习，广泛定义为包括多领域/多任务学习、领域适应、迁移学习和元学习，其应用包括计算机视觉、语言、控制强化学习和金融。他在 CVPR、ICCV、ECCV、ICML、ICLR、NeurIPS 和 AAAI 等主要领域与人合着了多篇关于域适应、域泛化和迁移学习的论文。他在爱丁堡大学教授计算机视觉，并在各种国际场所、知名大学和研究机构就这些主题进行了受邀演讲和辅导。

马修·萨尔兹曼
　　EPFL 的高级研究员，自 2020 年 5 月起担任 ClearSpace 的兼职人工智能工程师。他的研究重点是开发用于视觉场景理解的机器学习算法，包括对象识别、检测、语义分割、6D 姿态估计和 3D 重建。他在主要场所发表了有关领域适应主题的文章，包括 CVPR、ICCV、ICLR、AAAI、TPAMI 和 JMLR。此外，他还受邀在多个场所和国际知名大学展示他的领域适应工作。

塔蒂亚娜·托马西
　　意大利都灵理工大学的副教授，也是意大利理工学院的附属研究员。她开创了计算机视觉迁移学习领域的先河，在领域适应、泛化和多模态学习以及机器人和医学成像应用方面拥有丰富的经验。
　　塔蒂亚娜在 ECCV'14 的第一届 Task-CV 研讨会上获得了最佳论文奖，从那时起，她一直领导着以下研讨会版本的组织。她还在 NIPS'13 和 '14 组织了一个关于类似主题的研讨会，并在 ECCV'14 和 '20 教授了一个教程。