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一致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一致させるために敵対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適合するソースインスタンスを見つけることが重要である。適切なソースインスタンスとは、領域（ドメイン）の違い以外に、向きや色など重要な特徴ではない属性に差がないものを指す。これらの不要な差異は、モデルがドメイン間の違いに注目するのを妨げるため、特徴の一致を困難にする。しかし、既存のインスタンスレベル特徴一致手法は、ミニバッチ内でのみ探索範囲を限定しているため、適切なソースインスタンスを効果的に見つけることが難しい。ミニバッチはしばしば小さく、適切なソースインスタンスを含んでいない場合がある。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）がある場合、ミニバッチの多様性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。本手法は、ターゲットインスタンスと同一カテゴリの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、それらを一致させる。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化された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率的に検索する、シンプルかつ効果的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顕著に上回ることを示した。