다중 도메인 객체 탐지(multi-domain object detection)는 레이블이 붙은 소스 도메인과 레이블이 없는 타겟 도메인 간의 특성 정렬을 포함하는 어려운 과제이다. 기존의 접근 방식들은 이미지 수준과 인스턴스 수준에서 특성을 정렬하기 위해 적대적 학습(adversarial training)을 활용해왔다. 인스턴스 수준에서 타겟 인스턴스와 잘 맞는 소스 인스턴스를 찾는 것은 특히 중요하다. 적합한 소스 인스턴스란, 도메인 차이 외에는 방향, 색상 등 중요한 특성 외의 요소에서 차이가 없어야 하며, 이러한 부가적인 차이는 모델이 도메인 차이에 집중하는 데 방해가 될 수 있다. 그러나 기존의 인스턴스 수준 특성 정렬 방법들은 검색 범위가 미니배치(mini-batch)에 국한되어 있어 적절한 소스 인스턴스를 찾기 어렵다는 한계를 지닌다. 미니배치는 크기가 작아 적절한 소스 인스턴스를 포함하지 않을 수도 있으며, 특히 타겟 인스턴스의 내부 클래스 변동성(intra-class variance)이 높을 경우 이 문제는 더욱 심각해진다. 이러한 문제를 해결하기 위해, 본 논문에서는 메모리 기반의 인스턴스 수준 도메인 적응 프레임워크를 제안한다. 본 방법은 메모리 저장소에서 동일한 카테고리의 가장 유사한 소스 인스턴스를 타겟 인스턴스와 정렬한다. 구체적으로, 모든 레이블이 있는 소스 인스턴스의 풀링된 특성을 레이블별로 분류하여 동적으로 저장하는 메모리 모듈을 도입하였으며, 타겟 인스턴스에 대해 일치하는 메모리 슬롯을 검색하는 간단하면서도 효과적인 메모리 검색 모듈도 제안한다. 다양한 도메인 이동 시나리오에 대한 실험 결과, 기존의 메모리 기반 미적용 방법에 비해 본 방법이 상당히 우수한 성능을 보임을 입증하였다.