لقد شهدت التطورات الحديثة في تقنيات التكييف غير المراقب للنطاق (UDA) نجاحًا كبيرًا في المهام الحاسوبية البصرية عبر النطاقات، حيث تحسّن قدرة التعميم للهياكل العميقة القائمة على البيانات من خلال سد الفجوات بين توزيعات النطاقات. بالنسبة لأساليب الكشف عن الكائنات عبر النطاقات القائمة على UDA، فإن معظمها يخفف من التحيز الناتج عن النطاق من خلال تحفيز إنتاج ميزات غير مرتبطة بالنطاق باستخدام استراتيجية التعلم العدواني. ومع ذلك، فإن مُصنّفات النطاقات لديها قدرة تصنيف محدودة بسبب عملية التدريب العدواني غير المستقرة. وبالتالي، فإن الميزات المستخرجة من هذه الأساليب لا تكون مثالية في عدم الارتباط بالنطاق، وتظل تحتوي على عوامل خاصة بالنطاق، مما يشكل عقبة أمام تقليل الفجوة بين النطاقات بشكل أعمق. لمعالجة هذه المشكلة، قمنا بتصميم نموذج DDF (Faster-RCNN مع فصل النطاقات) يهدف إلى إزالة المعلومات الخاصة بالمصدر من الميزات لتعلم مهام الكشف عن الكائنات. يُمكّن أسلوب DDF من فصل الميزات على المستويين العام والمحلي، باستخدام وحدة فصل المثلثات العالمية (GTD) ووحدة فصل التشابه بين الحالات (ISD) على التوالي. وقد أثبت أسلوب DDF فعاليته وقابلية تطبيقه الواسعة من خلال تفوقه على أحدث الأساليب في أربع مهام معيارية للكشف عن الكائنات عبر النطاقات باستخدام UDA.