L’adaptation de domaine vise à transférer des connaissances à partir d’un ensemble de données source annotées vers des données cibles peu étiquetées, un domaine qui a suscité un intérêt croissant ces dernières années et a permis de stimuler de nombreuses applications multimédias. Les approches récentes ont montré l’efficacité de l’apprentissage adversaire pour réduire l’écart de distribution entre les images source et cible en alignant les distributions à la fois au niveau des images et au niveau des instances. Toutefois, ce défi reste difficile, car les deux domaines peuvent présenter des arrière-plans distincts ainsi que des objets différents. En outre, les combinaisons complexes d’objets et la diversité des styles d’image entravent l’alignement non supervisé des distributions entre domaines. Pour relever ces défis, nous proposons dans cet article une approche end-to-end pour l’adaptation de domaine non supervisée dans la détection d’objets. Plus précisément, nous introduisons une méthode d’alignement à attention par entropie à plusieurs niveaux (MEAA), composée de deux composants principaux : (1) un module d’alignement à attention d’incertitude locale (LUAA), qui améliore la perception par le modèle des objets structuralement invariants en exploitant la théorie de l’information pour mesurer l’incertitude de chaque région locale via l’entropie d’un classificateur de domaine pixel par pixel ; et (2) un module d’alignement contextuel à incertitude multi-niveaux (MUCA), qui enrichit les informations invariantes par rapport au domaine pour les objets pertinents en s’appuyant sur l’entropie de classificateurs de domaine à plusieurs niveaux. La méthode MEAA proposée est évaluée dans quatre scénarios de détection d’objets soumis à un décalage de domaine. Les résultats expérimentaux démontrent des performances de pointe sur trois scénarios exigeants, ainsi qu’une performance compétitive sur une base de données de référence.