L’adaptation de domaine non supervisée vise à transférer des connaissances depuis un domaine source étiqueté vers un domaine cible non étiqueté. Les méthodes d’adaptation adversariales précédentes s’appuyaient principalement sur un discriminateur à sortie binaire ou à $K$K dimensions afin d’effectuer indépendamment l’alignement marginal ou conditionnel. Des expériences récentes ont montré qu’en fournissant au discriminateur des informations sur le domaine dans les deux domaines ainsi que des informations d’étiquette dans le domaine source, celui-ci parvient à préserver les informations multimodales complexes et les informations sémantiques riches présentes dans les deux domaines. Inspirés par cette observation, nous proposons d’utiliser un discriminateur à sortie à $2K$2K dimensions pour réaliser simultanément l’alignement au niveau du domaine et au niveau de la classe au sein d’un seul discriminateur. Toutefois, un seul discriminateur ne peut pas capturer toutes les informations utiles à travers les domaines, et les relations entre les exemples et la frontière de décision ont rarement été explorées auparavant. Inspirés par l’apprentissage multi-vues et les avancées récentes en adaptation de domaine, nous introduisons, en plus du processus adversarial entre le discriminateur et l’extraiteur de caractéristiques, un mécanisme novateur qui fait s’affronter deux discriminateurs entre eux, afin qu’ils puissent mutualiser des informations diversifiées et éviter la génération de caractéristiques cibles en dehors du support du domaine source. À notre connaissance, il s’agit de la première étude explorant une stratégie adversariale double dans le cadre de l’adaptation de domaine. Par ailleurs, nous utilisons également une régularisation d’apprentissage semi-supervisé afin de rendre les représentations plus discriminantes. Des expériences approfondies menées sur deux jeux de données réels confirment que notre méthode surpasse plusieurs méthodes d’adaptation de domaine de pointe.