Les réseaux neuronaux profonds sont capables d'apprendre des représentations puissantes à partir de grandes quantités de données d'entrée étiquetées, mais ils ne peuvent pas toujours bien généraliser face aux changements dans les distributions d'entrée. Des algorithmes d'adaptation de domaine ont été proposés pour compenser la dégradation des performances due au décalage de domaine. Dans cet article, nous abordons le cas où le domaine cible est non étiqueté, nécessitant une adaptation non supervisée. CORAL est une méthode d'adaptation de domaine non supervisée « frustrante par sa simplicité » qui aligne les statistiques du deuxième ordre des distributions source et cible grâce à une transformation linéaire. Ici, nous étendons CORAL pour apprendre une transformation non linéaire qui aligne les corrélations des activations de couches dans les réseaux neuronaux profonds (Deep CORAL). Les expériences menées sur des ensembles de données de référence standard montrent des performances de pointe.Note: - "frustratingly easy" est traduit littéralement par « frustrante par sa simplicité » car c'est une expression couramment utilisée en français pour décrire des méthodes simples mais efficaces.- "layer activations" est traduit par « activations de couches » qui est le terme technique utilisé en français.- "state-of-the-art performance" est traduit par « performances de pointe » qui est l'équivalent courant en français dans le contexte académique et technologique.