เปรียบเทียบวิธี

	การจำแนกภาพแบบปรับตัวตามโดเมน	การเรียนรู้แบบถ่ายโอนสำหรับการจำแนกประเภทรูปภาพ
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015–2016	2010–2012
ผู้ริเริ่ม	Ganin, Y. & Lempitsky, V. (domain-adversarial formulation)	Pan, S. J. & Yang, Q. (transfer learning framework); Krizhevsky, Sutskever & Hinton (deep CNN backbone)
ประเภท	Domain adaptation / transfer learning	Transfer learning / supervised classification
แหล่งต้นตำรับ	Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35.	Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	domain adaptation for image classification, DAIC, cross-domain image classification, domain-shift-robust image recognition	pretrained CNN image classification, fine-tuned image classifier, domain-adapted image classifier, TL-IC
ที่เกี่ยวข้อง	3	4
สรุป	Domain-adaptive image classification trains a visual classifier on a labeled source domain and adapts it to a target domain where labeled data are scarce or absent. By aligning feature distributions across domains, the model retains discriminative accuracy on the target distribution without requiring full target re-annotation, making it practical in real-world deployment scenarios where domain shift is unavoidable.	Transfer Learning with Image Classification reuses a deep neural network backbone — typically a CNN or Vision Transformer — pretrained on a large dataset such as ImageNet, and adapts it to classify images in a new target domain. By inheriting general visual features from the source task, the approach achieves high accuracy with far fewer labeled images than training from scratch.