يهدف التكيّف الحدودي إلى نقل المعرفة من البيانات المصدرية المُعلّمة إلى البيانات المستهدفة ذات التسميات المحدودة، وقد جذب اهتمامًا كبيرًا في السنوات الأخيرة وسهم في تطوير العديد من التطبيقات متعددة الوسائط. أظهرت الأساليب الحديثة فعالية استخدام التعلم العدواني لتقليل الفرق في التوزيع بين الصور المصدرية والمستهدفة من خلال محاذاة التوزيع بين الصور المصدرية والمستهدفة على مستويات الصورة والكائن (instance). ومع ذلك، تبقى هذه المهمة تحديًا كبيرًا نظرًا لاختلاف المشاهد الخلفية والكائنات بين المجالين. علاوةً على ذلك، تؤدي التراكيب المعقدة للكائنات وأنماط الصور المتنوعة إلى تدهور في عملية محاذاة التوزيع بين المجالات دون تسميات. ولحل هذه التحديات، نقدم في هذا البحث منهجية نهائية (end-to-end) لتكييف المجال غير المُعلّم للكاشفات الكائنية. وبشكل خاص، نقترح طريقة مُحاذاة الانتباه بالانتروبيا متعددة المستويات (MEAA)، التي تتكون من مكوّنين رئيسيين: (1) وحدة محاذاة الانتباه بالقلق المحلي (LUAA) التي تُسرّع قدرة النموذج على إدراك الكائنات الثابتة البنائية من خلال استخدام نظرية المعلومات لقياس درجة عدم اليقين في كل منطقة محلية عبر الانتروبيا الخاصة ب classifier المجال البُكسي (pixel-wise domain classifier)؛ و(2) وحدة محاذاة السياق المُدرك للقلق متعددة المستويات (MUCA) التي تُعزز المعلومات الثابتة بين المجالات للكائنات ذات الصلة بناءً على الانتروبيا الناتجة عن تصنيفات المجال متعددة المستويات. وقد تم تقييم MEAA في أربع سيناريوهات للكشف عن الكائنات ذات التحول الحدودي. وأظهرت نتائج التجارب أداءً متفوقًا على ثلاث سيناريوهات صعبة، وأداءً تنافسيًا على مجموعة بيانات معيارية واحدة.