クロスドメインオブジェクト検出は困難な課題であり、ラベル付きのソースドメインとラベルなしのターゲットドメインの間で特徴を整合させることが求められる。従来のアプローチでは、画像レベルおよびインスタンスレベルの両方で特徴を整合するために敵対的学習が用いられている。特にインスタンスレベルでは、ターゲットインスタンスと整合する適切なソースインスタンスを特定することが重要である。あるソースインスタンスが適切であるとは、そのインスタンスがターゲットインスタンスとドメインの違いのみを示し、方向や色など重要な特徴ではない側面に差異を持たないことを意味する。このような不要な差異は、モデルがドメイン間の違いに注目するのを妨げるためである。しかし、既存のインスタンスレベル特徴整合手法は、ミニバッチ内でのみ探索範囲が限られているため、適切なソースインスタンスを効果的に見つけることが困難である。ミニバッチのサイズは通常小さく、適切なソースインスタンスを含んでいない場合も少なくない。特にターゲットインスタンスに高いクラス内変動（intra-class variance）が見られる場合、ミニバッチの多様性の不足は深刻な問題となる。この課題を解決するために、本研究ではメモリベースのインスタンスレベルドメイン適応フレームワークを提案する。本手法では、ターゲットインスタンスと同一カテゴリの、メモリストレージから取得した最も類似したソースインスタンスを対応付ける。具体的には、ラベル付きすべてのソースインスタンスのプールド特徴をラベルごとに分類して動的に保存するメモリモジュールを導入する。さらに、ターゲットインスタンスに対して一致するメモリスロットの集合を効果的に検索するシンプルだが有効なメモリ検索モジュールを提案する。さまざまなドメインシフトシナリオにおける実験結果から、本手法が従来のメモリを用いない手法を著しく上回ることが示された。