La prédiction de sorties structurées telles que la segmentation sémantique repose sur des annotations coûteuses par pixel pour apprendre des modèles supervisés comme les réseaux neuronaux convolutifs. Cependant, les modèles formés sur un domaine de données peuvent ne pas généraliser bien à d'autres domaines sans annotations pour l'affinage du modèle. Pour éviter le processus laborieux d'annotation, nous développons une méthode d'adaptation de domaine permettant d'adapter les données sources au domaine cible non étiqueté. Nous proposons d'apprendre des représentations de caractéristiques discriminantes de patches dans le domaine source en découvrant plusieurs modes de distribution des sorties par patch grâce à la construction d'un espace clusterisé. Avec ces représentations comme guide, nous utilisons un schéma d'apprentissage antagoniste pour rapprocher les représentations de caractéristiques des patches cibles dans l'espace clusterisé des distributions des patches sources. De plus, nous montrons que notre cadre est complémentaire aux techniques existantes d'adaptation de domaine et réalise des améliorations cohérentes en segmentation sémantique. Des analyses ablatives approfondies et des résultats sont présentés sur de nombreux jeux de données de référence avec diverses configurations, telles que les scénarios synthétique-réel et inter-villes.