Objektdetektionsnetzwerke haben ein beeindruckendes Leistungsniveau erreicht, dennoch beschränkt die fehlende Verfügbarkeit geeigneter Daten in spezifischen Anwendungen ihre praktische Nutzung oft erheblich. Typischerweise werden zusätzliche Datensätze zur Unterstützung des Trainings eingesetzt. In diesen bestehen jedoch Domänenunterschiede zwischen den verschiedenen Datensätzen, die eine Herausforderung im Bereich des tiefen Lernens darstellen. GAN-basierte Bild-zu-Bild-Stilübertragung wird häufig angewendet, um die Domänenlücke zu verkleinern, ist jedoch instabil und entkoppelt vom Objektdetektionsprozess. Wir stellen AWADA, einen Aufmerksamkeitsgewichteten adversarialen Domänenanpassungsansatz, vor, der eine Rückkopplungsschleife zwischen Stiltransformation und Detektionsaufgabe ermöglicht. Durch die Erstellung von Aufmerksamkeitskarten für vordere Objekträume basierend auf Vorschlägen des Objektdetektors konzentrieren wir die Transformation auf die Regionen der vorderen Objekte und stabilisieren den Trainingsprozess der Stilübertragung. In umfangreichen Experimenten und Ablationsstudien zeigen wir, dass AWADA die derzeit beste Leistung bei der unsupervisierten Domänenanpassung für Objektdetektion in gängigen Benchmarks erreicht, beispielsweise bei Aufgaben wie synthetisch-zu-realem Übergang, Adaptation unter ungünstigen Wetterbedingungen und Kreuzkamera-Adaptation.