La segmentation sémantique nécessite une grande quantité de données d'entraînement, ce qui implique des étiquetages coûteux. De nombreuses études ont été menées sur l’adaptation de domaine non supervisée (UDA) d’un domaine à un autre, par exemple du rendu informatique vers des images réelles. Toutefois, un écart subsiste encore en termes de précision entre l’UDA et l’entraînement supervisé sur des données du domaine natif. Ce défaut peut être attribué, de manière plausible, à un désalignement au niveau des classes entre les données des domaines source et cible. Pour pallier ce problème, nous proposons une méthode basée sur un apprentissage adversarial visant à aligner deux distributions de caractéristiques dans le domaine cible. Elle utilise un cadre d’apprentissage auto-supervisé pour diviser chaque image en deux régions (c’est-à-dire des régions de confiance et non de confiance), formant ainsi deux distributions à aligner dans l’espace des caractéristiques. Nous désignons cette approche par adaptation cross-région (CRA), afin de la distinguer des méthodes antérieures d’alignement entre distributions de domaines différents, que nous appelons adaptation cross-domain (CDA). La méthode CRA peut être appliquée après n’importe quelle méthode CDA. Les résultats expérimentaux montrent qu’elle améliore systématiquement la précision de la méthode combinée CDA, surpassant ainsi l’état de l’art.