ドメイン適応は、ラベル付きのソースデータからターゲットドメインにおけるラベルがほとんど付与されていないデータへ知識を転移することを目的としており、近年多くの注目を集め、多くのマルチメディア応用を促進している。最近のアプローチでは、画像レベルおよびインスタンスレベルでソース画像とターゲット画像の分布を一致させることにより、 adversarial learning を用いてソースとターゲット間の分布差を低減する有効性が示されている。しかし、この課題は依然として困難である。なぜなら、両ドメイン間に異なる背景シーンや異なるオブジェクトが存在する可能性があるからである。さらに、オブジェクトの複雑な組み合わせや多様な画像スタイルが、教師なしのクロスドメイン分布一致を悪化させる要因となっている。これらの課題に対処するため、本稿ではオブジェクト検出における教師なしドメイン適応のためのエンドツーエンドアプローチを提案する。具体的には、二つの主要な構成要素からなるマルチレベルエントロピー注意一致（Multi-level Entropy Attention Alignment: MEAA）手法を設計した。第一に、ピクセル単位のドメイン分類器のエントロピーを用いて各局所領域の不確実性を情報理論的に測定することで、構造的に不変なオブジェクトをモデルがより正確に捉えることを促進する「局所不確実性注意一致（Local Uncertainty Attentional Alignment: LUAA）」モジュールを提案する。第二に、マルチレベルのドメイン分類器のエントロピーに基づき、関連オブジェクトのドメイン不変な情報を豊かにする「マルチレベル不確実性認識コンテキスト一致（Multi-level Uncertainty-Aware Context Alignment: MUCA）」モジュールを提案する。提案手法MEAAは、4つのドメインシフトオブジェクト検出シナリオにおいて評価された。実験結果から、3つの困難なシナリオにおいて最先端の性能を達成し、1つのベンチマークデータセットにおいても競争力ある性能を示した。