In jüngster Zeit hat das Problem der cross-domain Object Detection zunehmend Aufmerksamkeit in der Computer Vision-Community erhalten. In diesem Artikel stellen wir ein neuartiges, unsupervisiertes cross-domain Detektionsmodell vor, das annotierte Daten aus einer Quell-Domäne nutzt, um einen Objektdetektor für eine andere Ziel-Domäne zu trainieren. Das vorgeschlagene Modell verringert die Darstellungsdifferenz zwischen Domänen für die Objektdetektion durch eine zweidimensionale Merkmalsausrichtung, sowohl in der Tiefendimension als auch in der räumlichen Dimension. In der Tiefendimension der Kanallayer nutzt es interkanaläre Informationen, um die Domänenabweichung hinsichtlich der Bildstilalignment zu überbrücken. In der räumlichen Dimension setzt es räumliche Aufmerksamkeitsmodule ein, um regionen mit Detektionsrelevanz zu verstärken und irrelevanten Bereichen entgegenzuwirken, wobei die Ausrichtung der cross-domain Merkmale berücksichtigt wird. Experimente wurden auf mehreren Standard-Datasets für cross-domain Objektdetektion durchgeführt. Die empirischen Ergebnisse zeigen, dass die vorgeschlagene Methode die bisherigen state-of-the-art-Verfahren übertrifft.