Der Unterschied zwischen annotierten Trainingsdaten und unannotierten Testdaten stellt eine erhebliche Herausforderung für moderne tiefen Lernmodelle dar. Unüberwachtes Domänenanpassung (Unsupervised Domain Adaptation, UDA) zielt darauf ab, dieses Problem zu lösen. Neuere Arbeiten zeigen, dass Self-Training ein leistungsfähiger Ansatz für UDA ist. Allerdings haben bestehende Methoden Schwierigkeiten, Skalierbarkeit und Leistung effektiv zu balancieren. In diesem Paper stellen wir einen instanzadaptiven Self-Training-Framework für UDA im Kontext der semantischen Segmentierung vor. Um die Qualität von Pseudolabels effektiv zu verbessern, entwickeln wir eine neuartige Strategie zur Generierung von Pseudolabels mit einem instanzadaptiven Selektor. Zusätzlich schlagen wir eine regionengestützte Regularisierung vor, die die Pseudolabel-Region glättet und die Nicht-Pseudolabel-Region schärft. Unser Ansatz ist so kompakt und effizient, dass er leicht auf andere Methoden zur unüberwachten Domänenanpassung übertragen werden kann. Experimente auf den Datensätzen „GTA5 to Cityscapes“ und „SYNTHIA to Cityscapes“ belegen die überlegene Leistung unseres Verfahrens im Vergleich zu aktuellen State-of-the-Art-Methoden.