Cross-domain weakly supervised object detection zielt darauf ab, objektbezogenes Wissen aus einem vollständig beschrifteten Quelldomänen-Datensatz (d. h. mit Objekt-Bounding-Boxes) zu übertragen, um Objektdetektoren für Zielbereiche zu trainieren, die nur schwach beschriftet sind (d. h. mit Bild-Level-Tags). Im Gegensatz zu der in der Literatur weit verbreiteten Herangehensweise der Domänenverteilungsanpassung schlagen wir vor, pixelweise, cross-domain Korrespondenzen zu lernen, um eine präzisere Wissensübertragung zu ermöglichen. Dies wird durch ein neuartiges cross-domain Co-Attention-Schema realisiert, das als Regionenkonkurrenz trainiert wird. In diesem Schema sucht der cross-domain Korrespondenzmodul nach informativen Merkmalen auf dem Zielbild, die nach ihrer Transformation auf das Quelbbild die Annotationen am besten erklären können. Gleichzeitig konkurriert ein kooperativer Maskengenerator darum, relevante Regionen des Zielbildes zu maskieren, um die verbleibenden Merkmale unwichtig zu machen. Diese konkurrierende Lernstrategie strebt danach, die gesamte Vordergrundinformation in cross-domain-Bildpaaren zu korrelieren und so die genaue Objektausdehnung im Zielbereich aufzudecken. Um die Mehrdeutigkeit der inter-domänen Korrespondenzlernung zu verringern, wird zudem ein Domänen-Zyklus-Konsistenz-Regulärer vorgeschlagen, der die zuverlässigere intra-domänen Korrespondenz nutzt. Die vorgeschlagene Methode erreicht im Vergleich zu bestehenden Ansätzen konsistente Verbesserungen mit einem erheblichen Abstand, wie Experimente auf verschiedenen Datensätzen belegen.