في هذه الورقة، نهتم بتعزيز قدرة الكشف عن الكائنات على التعميم. ونأخذ بعين الاعتبار سيناريو واقعي ولكنه يحمل تحديًا كبيرًا، ويُعرف بـ "الكشف عن الكائنات العام في مجال واحد" (Single-DGOD)، والذي يهدف إلى تعلُّم كاشف كائنات يُظهر أداءً جيدًا على العديد من المجالات المستهدفة غير المرئية، باستخدام مجال مصدر واحد فقط أثناء التدريب. وبالنسبة لمشكلة Single-DGOD، من الضروري استخلاص تمثيلات غير مرتبطة بالمجال (DIR) التي تحتوي على الخصائص الجوهرية للكائنات، حيث يُعد ذلك مفيدًا في تحسين المقاومة أمام المجالات غير المرئية. ولذلك، نُقدِّم طريقةً تُسمَّى "الاستخلاص الذاتي المُفصَّل الدائري"، والتي تُفصل تمثيلات DIR عن التمثيلات المرتبطة بالمجال دون الحاجة إلى تسميات متعلقة بالمجال (مثل تسميات المجال). وبالتفصيل، نُقدِّم أولًا وحدة استخلاص دائرية مُفصَّلة، تُستخرج من خلالها تمثيلات DIR بشكل دوري من السمات البصرية المدخلة. وباستخدام العملية الدائرية، يمكن تعزيز قدرة الفصل دون الاعتماد على تسميات متعلقة بالمجال. ثم، وباستخدام تمثيلات DIR كمُعلِّم، نصمم وحدة استخلاص ذاتي لتقوية قدرة التعميم بشكل أكبر. وفي التجارب، تم تقييم طريقة العمل في مهام كشف الكائنات في المشاهد الحضرية. وأظهرت نتائج التجارب الخمسة تحت ظروف جوية مختلفة أن طريقة العمل تحقق تحسنًا ملحوظًا مقارنةً بالأساليب الأساسية. وبخاصةً في مشهد الليل-الشمس، تفوقت طريقة العمل على الأساليب الأخرى بنسبة 3٪، مما يدل على فعالية طريقة العمل في تعزيز القدرة على التعميم. ويمكن الوصول إلى البيانات والكود من خلال الرابط التالي: https://github.com/AmingWu/Single-DGOD.