セマンティックセグメンテーションは、多くのコンピュータビジョンタスクにとって重要な問題です。畳み込みニューラルネットワークを基にしたアプローチは、さまざまなベンチマークで常に新しい記録を更新していますが、多様なテスト環境への汎化性能の向上は依然として大きな課題となっています。実際の多くのアプリケーションにおいて、トレーニングドメインとテストドメインのデータ分布間に大きなギャップがあるため、実行時に深刻な性能低下が発生します。本研究では、画素単位の予測のエントロピーに基づく損失関数を使用して、セマンティックセグメンテーションにおける非監督ドメイン適応のタスクに取り組んでいます。この目的のために、(i) エントロピー損失と (ii) 対抗的損失という2つの新たな補完的な手法を提案します。我々は、2つの挑戦的な「シナリオ-2-リアル」セットアップにおいて、セマンティックセグメンテーションでの最先端の性能を示し、さらにこの手法が検出にも適用可能であることを示しています。