détecte d'objets adaptatif au domaine (DAOD) يستخدم مجالًا مُعلَّمًا (مصدرًا) لتعلم كاشف كائنات يُعمّم على مجال جديد دون تسمية (هدف). تستخدم التطورات الحديثة إطارًا معلم-تلميذ، أي أن النموذج التلميذ يُوجَّه بواسطة التسميات الوهمية التي يُولِّدها النموذج المعلم. وعلى الرغم من النجاح الكبير، إلا أنها تعاني من عدد محدود من الصناديق الوهمية التي تُنتج تنبؤات خاطئة بسبب الانزياح بين المجالات، مما يُضلل النموذج التلميذ ويؤدي إلى نتائج غير مثلى. لمعالجة هذه المشكلة، نقترح إطارًا جديدًا يُسمى "مُعلِّم-تلميذ مع إعادة تدريب مُقنّع" (MRT)، الذي يستخدم مُشفرًا مُقنّعًا (masked autoencoder) وآلية إعادة تدريب اختيارية على نموذج كشف المُحول (detection transformer). بشكل خاص، نقدّم تصميمًا مخصصًا لفرع المُشفر المُقنّع، حيث يتم تغطية خرائط الميزات متعددة المقاييس للصور الهدف، وإعادة بناء الميزات باستخدام مشفر النموذج التلميذ وملحق مُفكّك (auxiliary decoder). يساعد هذا النموذج التلميذ على استيعاب الخصائص الخاصة بالهدف، ويُحوّله إلى متعلم أكثر كفاءة من حيث البيانات، ليستفيد من عدد محدود من الصناديق الوهمية. علاوة على ذلك، نطبّق آلية إعادة تدريب اختيارية، حيث يتم إعادة تهيئة بعض أجزاء معاملات النموذج التلميذ بشكل دوري باستخدام المعاملات المُحسَّنة بواسطة المُشفر المُقنّع، مما يمكّن النموذج من الخروج من الحد الأدنى المحلي المُنحَز نحو التسميات الوهمية الخاطئة. أظهرت النتائج التجريبية على ثلاث معايير لـ DAOD فعالية طريقةنا. يمكن العثور على الكود على الرابط: https://github.com/JeremyZhao1998/MRT-release.