La nécessité de grands ensembles de données étiquetées constitue l’un des principaux facteurs limitants dans l’entraînement de réseaux neuronaux profonds précis. L’adaptation de domaine non supervisée vise à surmonter ce problème de données d’entraînement limitées en transférant des connaissances d’un domaine possédant de nombreuses données étiquetées vers un autre domaine pour lequel peu ou pas de données étiquetées sont disponibles. Une approche courante consiste à apprendre des caractéristiques invariantes par rapport au domaine, par exemple à l’aide d’une méthode adversariale. Les méthodes précédentes entraînaient souvent séparément le classificateur de domaine et le classificateur de labels, les deux réseaux de classification interagissant peu entre eux. Dans cet article, nous proposons une pondération induite par la rétropropagation basée sur les classificateurs, appliquée à l’espace des caractéristiques. Cette approche présente deux avantages principaux : d’une part, elle permet au classificateur de domaine de se concentrer sur les caractéristiques pertinentes pour la classification, et d’autre part, elle lie plus étroitement les branches de classification et adversariale. En outre, nous introduisons une méthode itérative d’alignement de la distribution des étiquettes, qui utilise les résultats des itérations précédentes afin d’approximer un chargeur de données équilibré par classe. Nous menons des expériences et des études d’ablation sur trois benchmarks : Office-31, OfficeHome et DomainNet, afin de démontrer l’efficacité de l’algorithme proposé.