Para superar los desafíos planteados por los conjuntos de datos de basura limitados y la naturaleza laboriosa del etiquetado de datos en la detección de objetos de basura urbana, proponemos un enfoque innovador de adaptación de dominio no supervisada para detectar objetos de basura en imágenes aéreas urbanas. El método propuesto aprovecha un detector, inicialmente entrenado en imágenes del dominio fuente, para generar pseudoetiquetas para imágenes del dominio objetivo. Al emplear una estrategia de fusión de atención y confianza, las imágenes de ambos dominios, fuente y objetivo, pueden integrarse sin problemas, lo que permite al detector adaptarse de manera incremental a los escenarios del dominio objetivo mientras preserva su eficacia de detección en el dominio fuente. Este enfoque mitiga la degradación del rendimiento causada por las discrepancias de dominio, mejorando significativamente la adaptabilidad del modelo. El método propuesto fue validado en un conjunto de datos de basura urbana autoconstruido. Los resultados experimentales demuestran su rendimiento superior en comparación con modelos de referencia. Además, extendimos el método de mezcla propuesto a otros escenarios típicos y realizamos experimentos exhaustivos en cuatro conjuntos de datos públicos bien conocidos: Cityscapes, KITTI, Sim10k y Foggy Cityscapes. El resultado muestra que el método propuesto exhibe una efectividad y adaptabilidad notables en diversos conjuntos de datos.