Wir schlagen einen neuen Ansatz vor, den sogenannten selbstmotivierten Pyramiden-Curriculum-Domain-Adaptation (PyCDA), um die Anpassung von semantischen Segmentierungskennern von synthetischen Quelldomänen zu realen Zieldomänen zu erleichtern. Unser Ansatz stützt sich auf eine Erkenntnis, die zwei bestehende Arbeiten verbindet: Curriculum-Domain-Adaptation und Selbsttraining. Inspiriert durch das Curriculum-Domain-Adaptation, konstruiert PyCDA ein pyramidenförmiges Curriculum, das verschiedene Eigenschaften der Zieldomäne enthält. Diese Eigenschaften beziehen sich hauptsächlich auf die gewünschten Labelverteilungen über die Bilder, Bildbereiche und Pixel der Zieldomäne. Durch die Verpflichtung des Segmentierungskenners, diese Eigenschaften zu beobachten, können wir die Generalisierungsfähigkeit des Netzes für die Zieldomäne verbessern. Angeregt durch das Selbsttraining, leiten wir diese Pyramide von Eigenschaften aus dem semantischen Segmentierungsnetz selbst ab. Im Gegensatz zu früheren Arbeiten benötigen wir keine zusätzlichen Modelle (z.B., logistische Regression oder Diskriminator-Netze) oder müssen Minimax-Probleme lösen, die oft schwierig zu optimieren sind. Wir berichten über Stand-of-the-Art-Ergebnisse für die Anpassung sowohl von GTAV als auch von SYNTHIA zu Cityscapes, zwei gängige Szenarien im unüberwachten Domain Adaptation für semantische Segmentierung.