Dans cet article, nous nous intéressons à l'amélioration de la capacité de généralisation des détecteurs d'objets. Nous considérons un scénario réaliste mais exigeant, nommé Détecteur d'Objets Généralisé à Domaine Unique (Single-DGOD), dont l'objectif est d'apprendre un détecteur d'objets capable de bien performer sur de nombreux domaines cibles inconnus, en ne disposant qu'un seul domaine source pour l'entraînement. À l’égard du Single-DGOD, il est essentiel d’extraire des représentations invariantes au domaine (DIR) contenant les caractéristiques intrinsèques des objets, ce qui contribue à renforcer la robustesse face aux domaines inconnus. Ainsi, nous proposons une méthode, appelée auto-distillation cyclique-désentrelacée, permettant de séparer les DIR des représentations spécifiques au domaine sans recourir à des annotations liées au domaine (par exemple, des étiquettes de domaine). Plus précisément, nous introduisons tout d’abord un module cyclique-désentrelacé, conçu pour extraire de manière cyclique les DIR à partir des caractéristiques visuelles d’entrée. Grâce à cette opération cyclique, la capacité de désentrelacement est renforcée sans dépendre d’annotations liées au domaine. Ensuite, en prenant les DIR comme enseignant, nous concevons un module d’auto-distillation afin d’améliorer davantage la capacité de généralisation. Les expériences ont été menées sur la détection d’objets dans des scènes urbaines. Les résultats expérimentaux, obtenus sur cinq conditions météorologiques, montrent que notre méthode atteint une amélioration significative par rapport aux méthodes de référence. En particulier, pour la scène nocturne ensoleillée, notre approche dépasse les méthodes de base de 3 %, ce qui démontre son efficacité dans l’amélioration de la capacité de généralisation. Les données et le code sont disponibles à l’adresse suivante : https://github.com/AmingWu/Single-DGOD.