Les travaux récents sur l’adaptation de domaine exploitent l’apprentissage adversaire afin d’obtenir des représentations de caractéristiques invariantes par rapport au domaine à partir de l’apprentissage conjoint du réseau extracteur de caractéristiques et du discriminateur de domaine. Toutefois, les méthodes d’adaptation adversaire donnent des performances sous-optimales, car elles cherchent à aligner les distributions entre les domaines sans tenir compte de la tâche spécifique à accomplir. Nous proposons Drop to Adapt (DTA), une méthode qui utilise un dropout adversaire pour apprendre des caractéristiques fortement discriminantes en imposant l’hypothèse de regroupement (cluster assumption). En conséquence, nous concevons des fonctions objectif pour soutenir une adaptation de domaine robuste. Nous démontrons l’efficacité de la méthode proposée à travers diverses expériences, obtenant des améliorations constantes tant pour les tâches de classification d’images que pour celles de segmentation sémantique. Notre code source est disponible à l’adresse suivante : https://github.com/postBG/DTA.pytorch.