L’écart entre les données d’apprentissage étiquetées et les données de test non étiquetées constitue un défi majeur pour les modèles récents d’apprentissage profond. L’adaptation de domaine non supervisée (UDA, unsupervised domain adaptation) vise à résoudre ce problème. Des travaux récents montrent que l’auto-entraînement (self-training) est une approche puissante pour l’UDA. Toutefois, les méthodes existantes peinent à concilier efficacité et performance. Dans cet article, nous proposons un cadre d’auto-entraînement adaptatif aux instances pour l’UDA dans le cadre de la segmentation sémantique. Pour améliorer efficacement la qualité des pseudo-étiquettes, nous développons une nouvelle stratégie de génération de pseudo-étiquettes intégrant un sélecteur adaptatif aux instances. Par ailleurs, nous introduisons une régularisation guidée par région afin de lisser les régions étiquetées par pseudo-étiquettes et de renforcer les régions non étiquetées. Notre méthode, à la fois concise et efficace, se prête facilement à une généralisation vers d’autres approches d’adaptation de domaine non supervisée. Les expériences menées sur les jeux de données « GTA5 to Cityscapes » et « SYNTHIA to Cityscapes » démontrent que notre approche atteint des performances supérieures par rapport aux méthodes de pointe.