Les méthodes d’adaptation de domaine en apprentissage automatique traitent le problème du décalage de domaine en alignant les représentations des données source et cible. Ce papier propose une nouvelle méthode d’adaptation de domaine pour la segmentation sémantique, qui exploite la transformation de Fourier dans l’espace chromatique afin d’améliorer la qualité du transfert de style, et génère des pseudo-étiquettes pour l’apprentissage auto-supervisé en combinant les résultats provenant de différents modèles enseignants obtenus à différentes itérations de l’apprentissage auto-supervisé. Notre méthode applique également un apprentissage adversarial au niveau des classes pour atteindre un alignement plus fin entre les deux domaines, ainsi qu’une fusion tardive avec un modèle d’estimation de profondeur afin d’améliorer les performances de segmentation. Les expériences montrent que notre méthode obtient des résultats supérieurs en termes de précision par rapport aux autres méthodes d’état de l’art existantes.