Neuere Berichte deuten darauf hin, dass ein generisches überwachtes tiefes CNN-Modell, das auf einem groß angelegten Datensatz trainiert wurde, die Datensatzverzerrung (dataset bias) auf einem Standardbenchmark reduziert, sie aber nicht vollständig beseitigt. Das Feinjustieren (fine-tuning) von tiefen Modellen in einem neuen Bereich kann eine erhebliche Menge an Daten erfordern, die für viele Anwendungen einfach nicht verfügbar ist. Wir schlagen eine neue CNN-Architektur vor, die eine Anpassungsschicht (adaptation layer) und einen zusätzlichen Domänenkonfusionsverlust (domain confusion loss) einführt, um eine Darstellung zu lernen, die sowohl semantisch bedeutungsvoll als auch domäneninvariant ist. Zudem zeigen wir, dass ein Domänenkonfusionsmetrik (domain confusion metric) für die Modellauswahl verwendet werden kann, um die Dimension einer Anpassungsschicht sowie die beste Positionierung der Schicht in der CNN-Architektur zu bestimmen. Unsere vorgeschlagene Anpassungsmethode bietet empirische Leistungsmerkmale, die die bisher veröffentlichten Ergebnisse bei einer Standardbenchmark-Aufgabe zur visuellen Domänenanpassung übertreffen.