Les progrès réalisés dans la détection d'objets adaptative peuvent entraîner des améliorations considérables dans des applications telles que la navigation autonome, car ils atténuent les décalages de distribution le long du pipeline de détection. Les travaux antérieurs ont recouru à l'apprentissage adversaire afin d'aligner les caractéristiques d'image aux niveaux global et local, mais le désalignement spécifique aux instances persiste. Par ailleurs, la détection d'objets adaptative reste un défi en raison de la diversité visuelle des scènes de fond et des combinaisons complexes d'objets. Motivés par l'importance structurelle, nous visons à focaliser l'attention sur les régions spécifiques aux instances les plus pertinentes, afin de surmonter le problème d'inadéquation des caractéristiques. Nous proposons une nouvelle méthode, appelée resIduaL seLf-attentive featUre alignMEnt (ILLUME), pour la détection d'objets adaptative. ILLUME intègre un module appelé Self-Attention Feature Map (SAFM), qui renforce l'attention structurelle portée sur les régions liées aux objets, produisant ainsi des caractéristiques invariantes par rapport au domaine. Notre approche réduit significativement la distance entre domaines grâce à un meilleur alignement des caractéristiques des instances. Les résultats qualitatifs démontrent la capacité d'ILLUME à s'attarder sur les instances d'objets essentielles à l'alignement. Les résultats expérimentaux sur plusieurs jeux de données de référence montrent que notre méthode surpasse les approches les plus avancées existantes.