نقدم نهجًا جديدًا للتكيف غير المشرف بين المجالات في مجال اكتشاف الأشياء. الهدف من هذا النهج هو تخفيف مشكلة الترجمة غير الكاملة على مستوى البكسل، ومشكلة تمييز البيانات المنحازة نحو المصدر على مستوى الخصائص في الوقت نفسه. يتكون نهجانا من مرحلتين، وهما: التنويع بين المجالات (Domain Diversification - DD) والتعلم المشترك للمجالات المتعددة (Multi-domain-invariant Representation Learning - MRL). في مرحلة DD، نقوم بتنويع توزيع البيانات المصنفة بإنشاء مجموعة متنوعة من المجالات المنحرفة بشكل مميز من المجال المصدر. في مرحلة MRL، نطبق التعلم المعادي باستخدام مميز متعدد المجالات لتشجيع الخصائص على أن تكون غير قابلة للتمييز بين المجالات. يعالج DD مشكلة التمييز المنحاز نحو المصدر، بينما يخفف MRL من مشكلة الترجمة غير الكاملة للصور. نبني إطارًا منظمًا للتكيف بين المجالات لنهجنا التعليمي ونقدم طريقة عملية لتنفيذ DD. أثبتت طريقتنا تفوقها بشكل كبير على أفضل الأساليب الحالية بنسبة تتراوح بين 3٪ إلى 11٪ فيما يتعلق بدقة الوسط المتوسط (mean average precision - mAP) على مجموعة متنوعة من قواعد البيانات.