نقترح نهجًا للتكيف غير المشرف للمكتشفات الكائنية من المجالات الغنية بالعلامات إلى المجالات الفقيرة بالعلامات، مما يمكن أن يقلل بشكل كبير من تكاليف التسمية المرتبطة بالكشف. مؤخرًا، أثبتت النماذج التي تقوم بتوفيق توزيعات الصور المصدر والهدف باستخدام خسارة معادية أنها فعّالة في تكييف تصنيفات الكائنات. ومع ذلك، فيما يتعلق بكشف الكائنات، قد يفشل توفيق التوزيعات الكاملة بين الصور المصدر والهدف على مستوى الصورة الشاملة، حيث قد تكون المجالات لها تخطيطات مشهد مختلفة ومجموعات مختلفة من الكائنات. من ناحية أخرى، فإن توفيق الخصائص المحلية مثل الملمس واللون بقوة له معنى، لأنه لا يتغير في مستويات الفئات من الدلالات. هذا ما يدفعنا لاقتراح طريقة جديدة لتكيف المكتشف بناءً على توفيق محلي قوي وتوفيق شامل ضعيف. إسهامنا الرئيسي هو نموذج التوفيق الضعيف، الذي يركز خسارة التكيف المعادية على الصور التي تتشابه عالميًا ويقلل من التركيز على توفيق الصور التي تختلف عالميًا. بالإضافة إلى ذلك، صممنا نموذج التكيف القوي بين المجالات ليقتصر فقط على الحقول المستقبلة المحلية لخريطة الميزات. لقد أجرينا اختبارًا تجريبيًا لفعالية طريقتنا على أربع مجموعات بيانات تتضمن تحولات مجال كبيرة وصغيرة. رمز البرمجيات الخاص بنا متاح في \url{https://github.com/VisionLearningGroup/DA_Detection}