Domain Adaptation zielt darauf ab, Wissen aus einer Quelldatenquelle mit Annotationen auf Daten im Zielbereich mit nur wenigen Labels zu übertragen, was in den letzten Jahren erhebliche Aufmerksamkeit erregt und zahlreiche multimediale Anwendungen gefördert hat. Neuere Ansätze haben die Wirksamkeit des Einsatzes von adversariellen Lernverfahren zur Verringerung der Verteilungsunterschiede zwischen Quell- und Zielbildern gezeigt, indem die Verteilungen auf Bild- und Instanzebene angeglichen werden. Dennoch bleibt diese Aufgabe herausfordernd, da die beiden Domänen unterschiedliche Hintergrundszenen und verschiedene Objekte aufweisen können. Zudem verschlechtern komplexe Objekt-Kombinationen sowie eine Vielzahl von Bildstilen die unsupervised Verteilungsanpassung über Domänen hinweg. Um diese Herausforderungen anzugehen, stellen wir in diesem Artikel einen end-to-end-Ansatz für die unsupervised Domain Adaptation von Objektdetektoren vor. Konkret schlagen wir eine Methode namens Multi-level Entropy Attention Alignment (MEAA) vor, die aus zwei Hauptkomponenten besteht: (1) Ein Local Uncertainty Attentional Alignment (LUAA)-Modul, das die Fähigkeit des Modells verbessert, strukturinvariante Objekte besser wahrzunehmen, indem es die Unsicherheit jeder lokalen Region mittels der Entropie eines pixelweisen Domänenklassifikators gemäß der Informationstheorie misst; und (2) ein Multi-level Uncertainty-Aware Context Alignment (MUCA)-Modul, das die domäneninvarianten Informationen relevanter Objekte auf der Grundlage der Entropie mehrstufiger Domänenklassifikatoren bereichert. Die vorgeschlagene MEAA-Methode wird in vier Szenarien mit Domänenverschiebung für Objektdetektion evaluiert. Experimentelle Ergebnisse zeigen state-of-the-art-Leistung in drei anspruchsvollen Szenarien sowie wettbewerbsfähige Ergebnisse auf einer Benchmark-Datensatz.