Die semantische Segmentierung ist ein zentrales Problem für viele Aufgaben im Bereich der Computer Vision. Obwohl Ansätze auf Basis von Faltungsneuronalen Netzen ständig neue Rekordwerte bei verschiedenen Benchmarks erzielen, bleibt die gute Verallgemeinerungsfähigkeit auf vielfältige Testumgebungen eine große Herausforderung. In zahlreichen realen Anwendungen gibt es tatsächlich einen großen Unterschied zwischen den Datenverteilungen in den Trainings- und Testdomänen, was zu erheblichen Leistungsverlusten zur Laufzeit führt. In dieser Arbeit adressieren wir die Aufgabe der unüberwachten Domänenanpassung in der semantischen Segmentierung mit Verlustfunktionen, die auf der Entropie der pixelweisen Vorhersagen basieren. Zu diesem Zweck schlagen wir zwei neuartige, ergänzende Methoden vor, die sich (i) anhand des Entropieverlusts und (ii) anhand des adversären Verlusts unterscheiden. Wir zeigen Spitzenleistungen in der semantischen Segmentierung bei zwei anspruchsvollen "Synthetisch-zu-Real" (synthetic-2-real) Szenarien und beweisen, dass der Ansatz auch für die Detektion eingesetzt werden kann.