كما أن الكشف عن الكائنات عبر المجالات يُعد تحديًا كبيرًا، ويتمثل في محاذاة المجالات المصدرية المُعلمة مع المجالات الهدفية غير المُعلمة. وقد استخدمت الطرق السابقة التدريب العدواني لمحاذاة السمات على مستويي الصورة والكائن. أما على مستوى الكائن، فإن العثور على عينة مصدر مناسبة تتماشى مع عينة هدف ما يُعد أمرًا بالغ الأهمية. وتعتبر العينة المصدرية مناسبة إذا كانت تختلف عن العينة الهدفية فقط من حيث المجال، دون وجود فروقات في الخصائص غير المهمة مثل الاتجاه أو اللون، والتي قد تعيق تركيز النموذج على محاذاة الفرق بين المجالات. ومع ذلك، تواجه الطرق الحالية لمحاذاة السمات على مستوى الكائن صعوبات في العثور على عينات مصدر مناسبة، وذلك لأن نطاق البحث المُستخدم محدود بحدود الدُفعات الصغيرة (mini-batches). وغالبًا ما تكون هذه الدفعات صغيرة جدًا بحيث لا تحتوي دائمًا على عينات مصدر مناسبة. ويصبح نقص التنوّع في الدفعات الصغيرة مشكلة حادة خاصة عندما تكون العينات الهدفية تتمتع بتنوع داخلي عالٍ داخل الفئة. ولحل هذه المشكلة، نقترح إطارًا لمحاذاة المجال على مستوى الكائن يعتمد على ذاكرة. يُحاذي الكائن الهدف بأقرب عينة مصدرية من نفس الفئة، يتم استردادها من مستودع ذاكرة. وبشكل محدد، نقدّم وحدة ذاكرة تقوم بتخزين سمات مجمعة لجميع العينات المصدرية المُعلمة، مصنفة حسب تسمياتها. علاوةً على ذلك، نقدّم وحدة بسيطة لكنها فعّالة لاسترجاع الذاكرة، تُستخدم لاسترداد مجموعة من فُتحات الذاكرة المطابقة للعينات الهدفية. وأظهرت تجاربنا في سيناريوهات متعددة لانزياح المجال أن نهجنا يتفوق بشكل ملحوظ على الطرق القائمة على غير الذاكرة.