Unsupervised Domain Adaptation (UDA) erstellt Vorhersagen für Daten des Zielbereichs, während manuelle Annotationen nur im Quellbereich verfügbar sind. Frühere Methoden minimieren die Domänenunterschiede ohne Berücksichtigung der Klasseninformation, was zu Fehlanpassungen und einer schlechten Generalisierungsfähigkeit führen kann. Um dieses Problem zu lösen, schlägt dieser Artikel ein Contrastive Adaptation Network (CAN) vor, das eine neue Metrik optimiert, die die innerklassischen und zwischenklassischen Domänenunterschiede explizit modelliert. Wir haben eine abwechselnde Aktualisierungsstrategie entwickelt, um CAN auf end-to-end-Basis zu trainieren. Experimente mit den beiden realweltlichen Benchmarks Office-31 und VisDA-2017 zeigen, dass CAN sich günstig mit den neuesten Methoden vergleicht und diskriminativere Merkmale erzeugt.