最近の適応型オブジェクト検出に関する進展は、検出パイプラインにおける分布シフトを緩和するための敵対的特徴適応を活用して、顕著な成果を上げている。一方で、敵対的適応は特徴表現の転送性を著しく向上させるものの、オブジェクト検出器の特徴の判別性（discriminability）についてはまだ十分に検討されていない。さらに、物体の複雑な組み合わせやドメイン間でのシーン構成の差異により、転送性と判別性の間には矛盾が生じる可能性がある。本論文では、特徴表現の転送性を階層的（局所領域／画像全体／インスタンス）に調整することで、転送性と判別性の調和を図るための階層的転送性補正ネットワーク（Hierarchical Transferability Calibration Network, HTCN）を提案する。本モデルは以下の3つの構成要素からなる：（1）入力補間を用いた重要度重み付き敵対的訓練（Importance Weighted Adversarial Training with input Interpolation, IWAT-I）：補間された画像レベル特徴に対して重み付けを行うことで、グローバルな判別性を強化する；（2）文脈認識型インスタンスレベル整合モジュール（Context-aware Instance-Level Alignment, CILA）：インスタンスレベル特徴とグローバルな文脈情報の間に潜む補完的効果を捉えることで、インスタンスレベル特徴の整合性を向上させ、局所的な判別性を強化する；（3）局所特徴マスク：局所的な転送性を補正し、次の判別パターン整合に意味論的ガイダンスを提供する。実験結果により、HTCNがベンチマークデータセットにおいて最先端の手法を顕著に上回ることが示された。