オブジェクト検出ネットワークは、著しい性能水準に達しているものの、特定の応用分野において適切なデータが不足していることが実用上における制約要因となっている。一般的に、学習タスクを支援するため、追加のデータソースが利用される。しかしながら、これらのデータソース間にはドメインギャップが存在し、ディープラーニングの文脈で課題となる。従来、GANを用いた画像間スタイル変換（image-to-image style-transfer）がドメインギャップの縮小に用いられるが、この手法は不安定であり、オブジェクト検出タスクとは独立して動作するという問題がある。本研究では、スタイル変換と検出タスクの間でフィードバックループを構築するため、注意重み付き敵対的ドメイン適応（Attention-Weighted Adversarial Domain Adaptation; AWADA）フレームワークを提案する。オブジェクト検出器の提案領域から前景オブジェクトの注意マップを構築することで、スタイル変換を前景オブジェクト領域に集中させ、スタイル変換の学習を安定化させる。広範な実験およびアブレーションスタディを通じて、AWADAが合成データから実写データへの適応、悪天候下適応、クロスカメラ適応といった代表的なタスクにおいて、既存のベンチマークで最先端の非教師ありドメイン適応オブジェクト検出性能を達成することを示した。