教師なしドメイン適応（Unsupervised Domain Adaptation, UDA）は、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーションなど、さまざまなコンピュータビジョンタスクにおいて重要であり、ドメインシフトに起因する性能低下を軽減することを目的としている。従来の多くの方針は、ソースドメインとターゲットドメインの単一モード分布を仮定し、敵対学習を用いて両者を統合するものであったが、これによりさまざまなシナリオにおいて劣った結果が得られる傾向にあった。本論文では、教師なしドメイン適応のための新しい空間的アテンションピラミッドネットワークを提案する。具体的には、まず、異なるスケールにおける物体の文脈情報を捉えるための空間ピラミッド表現を構築する。その後、タスク固有の情報をもとに、空間アテンション機構を用いて各空間位置における密なグローバル構造表現と局所的なテクスチャパターンを効果的に統合する。このアプローチにより、ネットワークは文脈情報を有する判別性の高い領域に注目させられ、ドメイン適応に適した特徴を学習することができる。我々は、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーションにおける教師なしドメイン適応を対象に、複数の困難なデータセット上で広範な実験を実施した。その結果、既存の最先端手法と比較して大幅な性能向上を達成することが示された。本研究のソースコードは、https://isrc.iscas.ac.cn/gitlab/research/domain-adaption にて公開されている。