Dans cet article, nous présentons une stratégie d'adaptation directe (ADAS), qui vise à adapter directement un seul modèle à plusieurs domaines cibles dans une tâche de segmentation sémantique, sans modèles pré-entraînés spécifiques à chaque domaine. Pour ce faire, nous avons conçu un réseau de transfert multi-domaines (MTDT-Net) qui aligne les attributs visuels entre les domaines en transférant les caractéristiques distinctives du domaine grâce à un nouveau module de dénormalisation adaptative cible (TAD). De plus, nous proposons une sélection adaptative bidirectionnelle de régions (BARS) qui réduit l'ambiguïté des attributs parmi les étiquettes de classe en sélectionnant de manière adaptative les régions avec des statistiques de caractéristiques cohérentes. Nous montrons que notre MTDT-Net unique peut synthétiser des images transférées au domaine visuellement agréables avec des jeux de données complexes de conduite, et que BARS filtre efficacement les régions inutiles des images d'entraînement pour chaque domaine cible. Grâce à la collaboration entre le MTDT-Net et le BARS, notre ADAS atteint des performances de pointe pour l'adaptation multi-domaines (MTDA). Selon nos connaissances, notre méthode est la première méthode MTDA qui s'adapte directement à plusieurs domaines dans la segmentation sémantique.