تعتمد الأساليب الحديثة في التعلم العميق للكشف عن الكائنات على كمّ كبير من التسميات المُحدَّدة بحدود مُربعة (bounding box). ورغم أن جمع هذه التسميات يتطلب جهدًا كبيرًا وتكاليف باهظة، إلا أن النماذج المُعلَّمة بأسلوب مراقبة لا تُظهر أداءً جيدًا عند اختبارها على صور من توزيع مختلف. وتقدّم عملية تكييف المجال حلاً لهذه المشكلة من خلال تكييف التسميات الموجودة لتتناسب مع بيانات الاختبار المستهدفة. ومع ذلك، قد يُعدّ الفجوة الكبيرة بين المجالات مهمةً صعبة، مما يؤدي إلى عمليات تدريب غير مستقرة ونتائج دون المستوى الأمثل. في هذه الورقة، نقترح سدّ هذه الفجوة من خلال إدخال مجال وسيط، وحل مهام التكييف الأسهل تدريجيًا. يتم بناء هذا المجال الوسيط من خلال تحويل الصور المصدرية لتُقلّد صور المجال المستهدف. ولحل مشكلة انزياح المجال، نستخدم التعلم المُتَنافس (adversarial learning) للتوحيد بين التوزيعات على مستوى الميزات. علاوةً على ذلك، نطبّق خسارة مهمة موزونة لمعالجة عدم التوازن في جودة الصور داخل المجال الوسيط. تُظهر النتائج التجريبية أن أسلوبنا يتفوّق على أحدث الأساليب في الأداء على المجال المستهدف.