Wir schlagen einen Ansatz für die unüberwachte Anpassung von Objekterkennern von labelreichen zu labelarmen Domänen vor, der die mit der Erkennung verbundenen Annotationskosten erheblich reduzieren kann. Kürzlich haben Ansätze, die durch einen adversären Verlust die Verteilungen von Quell- und Zielbildern ausrichten, ihre Effektivität bei der Anpassung von Objektklassifizierern bewiesen. Für die Objekterkennung kann jedoch das vollständige Ausrichten der gesamten Verteilungen von Quell- und Zielbildern auf globaler BildEbene scheitern, da Domänen unterschiedliche Szenenlayouts und verschiedene Kombinationen von Objekten haben können. Andererseits ergibt eine starke Ausrichtung lokaler Merkmale wie Textur und Farbe Sinn, da sie die Semantik auf Kategorieebene nicht ändert. Dies motiviert uns, eine neuartige Methode für die Anpassung von Detektoren basierend auf starker lokaler und schwacher globaler Ausrichtung vorzuschlagen. Unser wesentlicher Beitrag ist das Modell zur schwachen Ausrichtung, das den adversären Ausrichtungsverlust auf Bilder konzentriert, die global ähnlich sind, und weniger Betonung auf das Ausrichten von Bildern legt, die global unähnlich sind. Zudem entwickeln wir ein Modell zur starken Domänenausrichtung, das sich ausschließlich auf lokale Rezeptivfelder der Merkmalskarte konzentriert. Wir überprüfen empirisch die Effektivität unserer Methode anhand vier Datensätze, die sowohl große als auch kleine Domänenverschiebungen umfassen. Unser Code ist unter \url{https://github.com/VisionLearningGroup/DA_Detection} verfügbar.