다중 도메인 약한 감독 객체 탐지(task)는 완전히 레이블링된 소스 도메인 데이터셋(즉, 객체 경계 상자 정보가 있는 데이터셋)에서 객체 수준의 지식을 추출하여, 약한 레이블링된 타겟 도메인(즉, 이미지 수준의 태그만 존재)에 대해 객체 탐지기를 학습하는 것을 목표로 한다. 기존 연구에서 널리 쓰이는 도메인 수준의 분포 일치 방식이 아닌, 보다 정밀한 지식 전이를 위해 픽셀 단위의 다중 도메인 대응 관계를 학습하는 새로운 접근법을 제안한다. 이는 새로운 다중 도메인 공격(공동) 주의(attention) 구조를 통해 실현되며, 이 구조는 영역 경쟁(region competition) 방식으로 학습된다. 본 구조에서 다중 도메인 대응 모듈은 타겟 도메인 이미지 내에서 정보가 풍부한 특징을 탐색하며, 해당 특징을 소스 도메인 이미지로 변환했을 때, 소스 도메인의 레이블을 가장 잘 설명할 수 있도록 한다. 동시에, 협업형 마스크 생성기(mask generator)는 타겟 도메인 이미지의 관련 영역을 가리며, 남은 특징이 정보가 없도록 경쟁적으로 학습한다. 이러한 경쟁적 학습은 다중 도메인 이미지 쌍 간의 전체 전경 영역 간의 정확한 상관관계를 추출함으로써, 타겟 도메인 내 객체의 정확한 범위를 드러낸다. 다중 도메인 대응 학습 시 발생할 수 있는 모호성을 완화하기 위해, 더 신뢰할 수 있는 내부 도메인 대응 관계를 활용하기 위해 도메인 사이클 일관성 정규화 항목(domain-cycle consistency regularizer)을 추가로 제안한다. 제안된 방법은 다양한 데이터셋에서 수행된 실험을 통해 기존 방법 대비 상당한 성능 향상을 지속적으로 달성함을 입증하였다.