Neuere Arbeiten zur Domänenanpassung nutzen adversariales Training, um domäneninvariante Merkmalsdarstellungen durch die gemeinsame Lernprozedur von Merkmalsextraktor- und Domänen-Diskriminatoren-Netzwerken zu erzielen. Allerdings erzielen adversariale Domänenanpassungsmethoden suboptimale Leistungen, da sie die Verteilungsanpassung zwischen den Domänen anstreben, ohne die jeweilige Aufgabe zu berücksichtigen. Wir stellen Drop to Adapt (DTA) vor, das adversariales Dropout nutzt, um stark diskriminative Merkmale zu lernen, indem die Clusterannahme erzwungen wird. Dementsprechend entwerfen wir Zielfunktionen, die eine robuste Domänenanpassung unterstützen. Wir belegen die Wirksamkeit des vorgeschlagenen Ansatzes anhand verschiedener Experimente und erreichen konsistente Verbesserungen sowohl bei der Bildklassifikation als auch bei der semantischen Segmentierung. Der Quellcode ist unter https://github.com/postBG/DTA.pytorch verfügbar.