Ein entscheidender Aspekt der partiellen Domänenanpassung (PDA) ist, wie man die relevanten Quellensamples in den geteilten Klassen für den Wissenstransfer auswählt. Vorherige PDA-Methoden lösen dieses Problem, indem sie die Quellensamples nach ihren hochstufigen Informationen (tiefen Merkmalen) neu gewichten. Allerdings, aufgrund des Domänenverschiebungsproblems zwischen Quell- und Zieldomäne, ist es mangelhaft, nur tiefgreifende Merkmale für die Auswahl von Samples zu verwenden. Wir argumentieren, dass es vernünftiger ist, zusätzliche pixelbasierte Informationen für das PDA-Problem zu nutzen, da der optische Unterschied zwischen Ausreißerquellklassen und Zielsklassen erheblich groß ist. In diesem Artikel schlagen wir ein verstärktes Transfernetzwerk (RTNet) vor, das sowohl hochstufige als auch pixelbasierte Informationen für das PDA-Problem nutzt. Unser RTNet besteht aus einem verstärkten Datenauswahler (RDS) basierend auf Verstärkungslernen (RL), der die Ausreißerquellensamples filtert, sowie einem Domänenanpassungsmodell, das die Domänenunterschiede im gemeinsamen Labelsraum minimiert. Insbesondere im RDS haben wir eine neue Belohnung konzipiert, die auf den Rekonstruktionsfehlern der ausgewählten Quellensamples beim Zielgenerator basiert und somit pixelbasierte Informationen zur Steuerung des Lernprozesses des RDS einführt. Darüber hinaus entwickeln wir einen Zustand, der hochstufige Informationen enthält und vom RDS zur Sampleauswahl verwendet wird. Das vorgeschlagene RDS ist ein allgemeines Modul, das leicht in bestehende DA-Modelle integriert werden kann, um diese für die PDA-Situation geeignet zu machen. Umfangreiche Experimente zeigen, dass RTNet auf mehreren Benchmark-Datensätzen den Stand der Technik in Bezug auf PDA-Aufgaben erreichen kann.