Die Objektdetektion über Domänen hinweg ist herausfordernd und erfordert die Ausrichtung von beschrifteten Quell- und unbeschrifteten Ziel-Domänen. Bisherige Ansätze haben adversariales Training eingesetzt, um Merkmale sowohl auf Bild- als auch auf Instanz-Ebene auszurichten. Auf Instanzebene ist die Suche nach einer geeigneten Quellinstanz, die mit einer Zielinstanz übereinstimmt, entscheidend. Eine Quellinstanz gilt als geeignet, wenn sie sich von der Zielinstanz nur in der Domäne unterscheidet, jedoch nicht in unwichtigen Merkmalen wie Orientierung oder Farbe, die die Fokussierung des Modells auf die Ausrichtung der Domänenunterschiede behindern könnten. Allerdings haben bestehende Methoden zur Instanzebene-Merkmalsausrichtung Schwierigkeiten, geeignete Quellinstanzen zu finden, da ihr Suchraum auf Mini-Batches beschränkt ist. Mini-Batches sind oft so klein, dass sie nicht zwangsläufig geeignete Quellinstanzen enthalten. Die unzureichende Vielfalt der Mini-Batches wird besonders problematisch, wenn die Zielinstanzen eine hohe intra-klassische Varianz aufweisen. Um dieses Problem zu lösen, schlagen wir einen auf Speicher basierenden Ansatz zur Instanzebene-Domänenanpassung vor. Unser Verfahren ordnet einer Zielinstanz die ähnlichste Quellinstanz derselben Kategorie zu, die aus einem Speicher abgerufen wird. Konkret führen wir ein Speichermodul ein, das die gepoolten Merkmale aller beschrifteten Quellinstanzen dynamisch speichert und nach ihren Klassen kategorisiert. Zusätzlich stellen wir ein einfaches, aber effektives Speicherabrufmodul vor, das für Zielinstanzen eine Menge passender Speicherplätze abruft. Unsere Experimente unter verschiedenen Domänenverschiebungsszenarien zeigen, dass unser Ansatz bestehende, nicht-speicherbasierte Methoden deutlich übertrifft.