Die Objekterkennung hat in den letzten Jahren erhebliche Fortschritte gemacht. Dennoch generalisieren aktuelle Algorithmen bei der Prüfung auf diverse Datensatzverteilungen nicht gut. Wir behandeln das Problem des inkrementellen Lernens in der Objekterkennung am India Driving Dataset (IDD). Unser Ansatz basiert auf der Verwendung mehrerer domain-spezifischer Klassifikatoren sowie effektiver Transfer-Lern-Techniken, die darauf abzielen, das katastrophale Vergessen zu vermeiden. Wir evaluieren unseren Ansatz am IDD und am BDD100K-Datensatz. Die Ergebnisse zeigen die Wirksamkeit unseres domain-adaptiven Ansatzes im Falle von Domänenverschiebungen in Umgebungen.