L’adaptation de domaine non supervisée (UDA) vise à adapter un modèle entraîné sur un domaine source étiqueté à un domaine cible non étiqueté. Dans cet article, nous proposons Prototypical Contrast Adaptation (ProCA), une méthode simple et efficace d’apprentissage contrastif pour la segmentation sémantique en adaptation de domaine non supervisée. Les méthodes antérieures d’adaptation de domaine se contentaient principalement d’aligner les distributions représentationnelles intra-classes entre différents domaines, tandis que les relations structurelles inter-classes étaient insuffisamment exploitées, conduisant à des représentations alignées sur le domaine cible qui n’étaient plus aussi facilement discriminables qu’elles l’étaient sur le domaine source. À la place, ProCA intègre des informations inter-classes dans des prototypes par classe et adopte une alignement de distribution centré sur les classes pour l’adaptation. En considérant les prototypes de la même classe comme des positifs et ceux des autres classes comme des négatifs afin d’atteindre un alignement de distribution centré sur les classes, ProCA atteint des performances de pointe sur des tâches classiques d’adaptation de domaine, à savoir GTA5 → Cityscapes et SYNTHIA → Cityscapes. Le code est disponible à l’adresse suivante : \href{https://github.com/jiangzhengkai/ProCA}{ProCA}