教師なしドメイン適応（Unsupervised Domain Adaptation: UDA）は、あるソースドメインからターゲットドメインへのモデルの汎化能力を向上させることを目的としている。UDAは、ターゲットドメインのサンプルに対して追加のラベル付け作業を要しないため、特に重要である。しかし、両ドメイン間のデータ分布の違い、すなわち「ドメインシフト（domain shift）」または「ドメイン差（domain discrepancy）」は、必然的にUDAの性能を低下させる。これまでに、二つのドメイン間の周辺分布の一致には一定の進展が見られたが、カテゴリに依存しない特徴の整合化により、分類器はソースドメインの特徴に偏り、ターゲットドメインでは誤った予測を行う傾向がある。本論文では、セマンティックセグメンテーションを対象として、カテゴリに敏感な特徴整合を明示的に促進する新たな「カテゴリアンカー誘導型（Category Anchor-guided: CAG）UDAモデル」を提案する。本手法は、共有される識別的な特徴および分類器を同時に学習するため、カテゴリ意識型の特徴整合を実現する。まず、ソースドメイン特徴のカテゴリごとの重心（centroids）をガイドアンカーとして用い、ターゲットドメインにおける有効な特徴を特定し、それらに擬似ラベルを割り当てる。次に、アンカーに基づくピクセルレベルの距離損失と識別的損失（discriminative loss）を活用し、カテゴリ内特徴を近づけ、カテゴリ間特徴を遠ざけるように制御する。最後に、誤差の蓄積を低減し、モデルの段階的適応を実現するため、段階的トレーニング機構を設計した。GTA5→CityscapesおよびSYNTHIA→Cityscapesの二つのシナリオにおける実験結果から、本研究で提案するCAG-UDAモデルが最先端手法を上回る優位性を示した。実装コードは以下のURLで公開されている：\url{https://github.com/RogerZhangzz/CAG_UDA}。