L’adaptation de domaine partielle, qui suppose que l’espace de labels cible inconnu est un sous-ensemble de l’espace de labels source, a suscité un intérêt croissant en vision par ordinateur. Malgré les progrès récents, les méthodes existantes souffrent souvent de trois problèmes clés : le transfert négatif, le manque de discriminabilité et l’invariance au domaine dans l’espace latent. Pour atténuer ces difficultés, nous proposons un nouveau cadre innovant appelé « Select, Label, and Mix » (SLM), visant à apprendre des représentations de caractéristiques invariantes et discriminantes pour l’adaptation de domaine partielle. Premièrement, nous introduisons un module efficace de « sélection » qui filtre automatiquement les échantillons sources aberrants afin d’éviter le transfert négatif tout en alignant les distributions entre les deux domaines. Deuxièmement, le module « étiquetage » entraîne itérativement le classificateur à l’aide à la fois des données étiquetées du domaine source et des pseudo-étiquettes générées pour le domaine cible, afin d’améliorer la discriminabilité de l’espace latent. Enfin, le module « mixage » utilise une régularisation par mixup de domaine en conjonction avec les deux autres modules pour explorer des structures intrinsèques plus riches entre les domaines, conduisant ainsi à un espace latent invariant au domaine adapté à l’adaptation de domaine partielle. Des expériences étendues sur plusieurs jeux de données standard pour l’adaptation de domaine partielle démontrent l’efficacité supérieure de notre cadre proposé par rapport aux méthodes de pointe.