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きた。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適合するソースインスタンスを特定することが重要である。適切なソースインスタンスとは、オブジェクトの領域（ドメイン）以外の重要な特徴（たとえば向きや色など）に差がないものである。これらの不要な特徴の違いは、モデルがドメインの違いに注目するのを妨げるため、整合の妨げとなる。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を行うため、適切なソースインスタンスを見つけるのが困難である。ミニバッチは通常小さく、適切なソースインスタンスを含んでいない場合が多いため、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）が生じる場合には、ミニバッチの多様性不足が深刻な問題となる。この課題に対処するため、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。本手法は、ラベル付き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格納するメモリモジュールを導入し、ターゲットインスタンスに対して、同じカテゴリに属する最も類似したソースインスタンスをメモリストレージから検索して整合する。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効果的なメモリリトリーバルモジュールも提案する。様々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非依存手法を著しく上回ることを示した。