Einzeldomänen-Verallgemeinerung (S-DG) strebt danach, ein Modell auf unbekannte Umgebungen mit einer einzigen Quelldomäne zu verallgemeinern. Die meisten S-DG-Ansätze wurden jedoch im Bereich der Klassifizierung durchgeführt. Wenn diese Ansätze auf die Objekterkennung angewendet werden, können die semantischen Merkmale einiger Objekte beschädigt werden, was zu ungenauer Objektlokalisation und Fehlklassifikation führen kann. Um diese Probleme zu lösen, schlagen wir eine objektbewusste Domänenverallgemeinerungsmethode (OA-DG) für die Einzeldomänen-Verallgemeinerung in der Objekterkennung vor. Unsere Methode besteht aus einer Datenverstärkung und einer Trainingsstrategie, die als OA-Mix und OA-Loss bezeichnet werden. OA-Mix erzeugt mehrdomänen-Daten durch mehrstufige Transformationen und eine objektbewusste Mischstrategie. OA-Loss ermöglicht es den Modellen, domäneninvariante Darstellungen von Objekten und Hintergründen aus den ursprünglichen und OA-Mixed-Bildern zu lernen. Unsere vorgeschlagene Methode übertrifft den Stand der Technik bei Standardbenchmarks. Unser Code ist unter https://github.com/WoojuLee24/OA-DG verfügbar.