وصلت شبكات كشف الكائنات إلى مستوى أداء مبهر، ومع ذلك فإن نقص البيانات المناسبة في التطبيقات المحددة يُحد من فعاليتها عمليًا. عادةً ما يتم استخدام مصادر بيانات إضافية لدعم مهمة التدريب. ومع ذلك، فإن الفجوات بين المجالات (domain gaps) بين مصادر البيانات المختلفة تمثل تحديًا في التعلم العميق. تُستخدم تقنية تحويل النمط من صورة إلى صورة بناءً على الشبكات التوليدية التناقضية (GAN) بشكل شائع لتقليل هذه الفجوات، لكنها غالبًا ما تكون غير مستقرة، كما أنها منفصلة عن مهمة كشف الكائنات. نقترح إطار عمل يُسمى AWADA، وهو إطار تكييف مجالي تناقصي مُوزّع بالانتباه (Attention-Weighted Adversarial Domain Adaptation)، يُنشئ حلقة تغذية راجعة بين عملية تحويل النمط ومهام الكشف. من خلال إنشاء خرائط انتباه للكائنات المسطحة (foreground objects) من اقتراحات كاشف الكائنات، نركز عملية التحويل على مناطق الكائنات المسطحة، مما يُعزز استقرار تدريب تحويل النمط. في تجارب واسعة ودراسات تحليلية (ablation studies)، نُظهر أن AWADA تحقق أفضل أداء في مجال التكييف غير المُعلَّم للكشف عن الكائنات على المعايير الشائعة، في مهام مثل التحويل من صور مُحاكاة إلى واقعية، والتكيف في الظروف الجوية الصعبة، والتكييف بين الكاميرات المختلفة.