Les méthodes d’adaptation de domaine non supervisée (UDA) visant à apprendre des représentations invariantes par rapport au domaine ont connu des progrès remarquables. Toutefois, la plupart des études se sont fondées sur une adaptation directe du domaine source vers le domaine cible, ce qui les rend vulnérables aux grandes disparités entre domaines. Dans ce travail, nous proposons une méthode UDA capable de gérer efficacement de telles disparités importantes. Nous introduisons une technique de mixup basée sur un ratio fixe afin de générer plusieurs domaines intermédiaires entre le domaine source et le domaine cible. À partir de ces domaines augmentés, nous entraînons un modèle dominé par le domaine source et un modèle dominé par le domaine cible, aux caractéristiques complémentaires. Grâce à nos méthodologies d’apprentissage fondées sur la confiance, telles que le matching bidirectionnel basé sur des prédictions à haute confiance et la pénalisation auto-contrôlée à partir de prédictions à faible confiance, les modèles peuvent s’apprendre mutuellement ou à partir de leurs propres résultats. Grâce à la méthode proposée, les modèles transfèrent progressivement les connaissances du domaine source vers le domaine cible. Des expériences étendues démontrent l’efficacité supérieure de notre approche sur trois benchmarks publics : Office-31, Office-Home et VisDA-2017.