Les modèles de segmentation sémantique basés sur les réseaux de neurones convolutifs ont récemment montré des performances remarquables dans de nombreuses applications. Toutefois, ces modèles peinent généralement à se généraliser lorsqu’ils sont appliqués à de nouveaux domaines, en particulier lorsqu’on passe de données synthétiques à des données réelles. Dans cet article, nous abordons le problème de l’adaptation de domaine non supervisée (UDA), qui vise à entraîner un modèle à partir de données étiquetées provenant d’un domaine source, tout en apprenant simultanément à partir de données non étiquetées dans le domaine cible d’intérêt. Les méthodes existantes ont obtenu des succès en s’appuyant sur des pseudo-étiquettes générées pour les images non étiquetées. Diverses techniques ont été proposées pour atténuer la qualité médiocre des pseudo-étiquettes résultant du décalage de domaine, avec des niveaux de réussite variables. Nous proposons DACS : Domain Adaptation via Cross-domain mixed Sampling, une méthode qui mélange des images provenant des deux domaines ainsi que leurs étiquettes correspondantes et leurs pseudo-étiquettes. Ces échantillons mixtes sont ensuite utilisés pour l’entraînement, en complément des données étiquetées. Nous démontrons l’efficacité de notre approche en atteignant des résultats de pointe sur le benchmark classique GTA5 vers Cityscapes, un standard courant pour la segmentation sémantique synthétique-vers-réelle en UDA.