Dans les tâches de généralisation de domaine (Domain Generalization, DG), les modèles sont entraînés uniquement à partir de données d’apprentissage provenant de domaines sources afin d’atteindre une bonne généralisation sur un domaine cible inconnu, ce qui soulève le problème du décalage de distribution. Il est donc crucial d’apprendre un classificateur capable de se concentrer sur des représentations communes pouvant être utilisées pour la classification sur plusieurs domaines, de manière à garantir une performance élevée également sur un domaine cible non vu. À la suite du succès de l’attention croisée (cross attention) dans diverses tâches multimodales, nous constatons que cette mécanique s’avère particulièrement puissante pour aligner des caractéristiques issues de distributions différentes. Ainsi, nous proposons un modèle nommé CADG (Cross Attention for Domain Generalization), dans lequel l’attention croisée joue un rôle central afin de traiter le problème du décalage de distribution. Cette architecture permet au classificateur d’être efficacement appliqué à plusieurs domaines, assurant ainsi une bonne généralisation sur un domaine inconnu. Les expériences montrent que la méthode proposée atteint des performances de pointe sur diverses benchmarks de généralisation de domaine, surpassant non seulement d’autres méthodes basées sur un seul modèle, mais pouvant même dépasser certaines approches basées sur l’ensemblage.