De nombreuses méthodes d'adaptation de domaine non supervisée (UDA) ont été proposées pour combler le fossé entre les domaines en utilisant des informations invariantes par domaine. La plupart des approches ont choisi la profondeur comme cette information et ont obtenu des succès remarquables. Malgré leur efficacité, l'utilisation de la profondeur comme information invariante par domaine dans les tâches UDA peut entraîner plusieurs problèmes, tels que des coûts d'extraction excessivement élevés et des difficultés à atteindre une qualité de prédiction fiable. Par conséquent, nous introduisons l'Adaptation de Domaine basée sur l'Apprentissage des Contours (ELDA), un cadre qui intègre les informations de contours dans son processus d'apprentissage pour servir d'information invariante par domaine. Dans nos expériences, nous démontrons quantitativement et qualitativement que l'intégration des informations de contours est effectivement bénéfique et efficace, permettant à ELDA de surpasser les méthodes actuelles de pointe sur deux benchmarks couramment adoptés pour les tâches d'adaptation de domaine basées sur la segmentation sémantique. De plus, nous montrons que ELDA est capable de mieux séparer les distributions de caractéristiques des différentes classes. Nous fournissons également une analyse d'ablation pour justifier nos décisions de conception.