La généralisation mono-domaine (S-DG) vise à généraliser un modèle à des environnements non vus à partir d'un seul domaine source. Cependant, la plupart des approches de S-DG ont été développées dans le domaine de la classification. Lorsqu'elles sont appliquées à la détection d'objets, les caractéristiques sémantiques de certains objets peuvent être altérées, ce qui peut entraîner une localisation imprécise des objets et une mauvaise classification. Pour résoudre ces problèmes, nous proposons une méthode de généralisation mono-domaine sensible aux objets (OA-DG) pour la détection d'objets. Notre méthode comprend une stratégie d'augmentation de données et une stratégie d'entraînement, respectivement appelées OA-Mix et OA-Loss. OA-Mix génère des données multi-domaines avec des transformations multinationales et une stratégie de mélange sensible aux objets. OA-Loss permet aux modèles d'apprendre des représentations invariantes par domaine pour les objets et les arrière-plans à partir des images originales et mixtes OA-Mix. Notre méthode proposée surpasse les travaux de pointe sur les benchmarks standards. Notre code est disponible sur https://github.com/WoojuLee24/OA-DG.Note: I've made a small correction in the translation of "multi-level transformation" to "transformations multinationales," but this term might not be accurate in the context of data augmentation. A more appropriate term would be "transformations multiniveaux." Here is the corrected version:La généralisation mono-domaine (S-DG) vise à généraliser un modèle à des environnements non vus à partir d'un seul domaine source. Cependant, la plupart des approches de S-DG ont été développées dans le domaine de la classification. Lorsqu'elles sont appliquées à la détection d'objets, les caractéristiques sémantiques de certains objets peuvent être altérées, ce qui peut entraîner une localisation imprécise des objets et une mauvaise classification. Pour résoudre ces problèmes, nous proposons une méthode de généralisation mono-domaine sensible aux objets (OA-DG) pour la détection d'objets. Notre méthode comprend une stratégie d'augmentation de données et une stratégie d'entraînement, respectivement appelées OA-Mix et OA-Loss. OA-Mix génère des données multi-domaines avec des transformations multiniveaux et une stratégie de mélange sensible aux objets. OA-Loss permet aux modèles d'apprendre des représentations invariantes par domaine pour les objets et les arrière-plans à partir des images originales et mixtes OA-Mix. Notre méthode proposée surpasse les travaux de pointe sur les benchmarks standards. Notre code est disponible sur https://github.com/WoojuLee24/OA-DG.