監視付き意味分割分野において著しい進展が見られても、実際の現場にモデルを展開した際には性能が大幅に低下する傾向がある。ドメイン適応手法は、ソースドメインとターゲットドメインを統合することでこの問題に対処するが、既存の多くは全体的な視点からドメイン間の統合を試み、ターゲットドメイン内に存在するクラスレベルのデータ構造を無視している。ソースドメインにおける監視情報の効果を最大限に引き出すために、本研究ではクラスレベルの特徴統合を実現する細粒度の敵対学習戦略を提案する。この戦略は、ドメイン間の意味構造の内部構造を保持しつつ、クラス単位での特徴の整合性を高める。我々は、クラスレベルでのドメイン区別も可能な細粒度ドメイン識別器を採用しており、従来の二値ドメインラベルを拡張してドメイン符号化（domain encodings）を監視信号として用いることで、細粒度な特徴統合をガイドする。クラス中心距離（Class Center Distance: CCD）を用いた分析により、本手法が他の最先端手法と比較して、より優れたクラスレベルの統合を実現していることが実証された。本手法は実装が容易であり、GTA5→Cityscapes、SYNTHIA→Cityscapes、Cityscapes→Cross-Cityの3つの代表的なドメイン適応タスクにおいて効果が検証されている。大幅な性能向上が確認され、従来のグローバル特徴統合に基づく手法やクラス単位の統合に基づく手法と比較して優れた性能を発揮している。実装コードは公開されており、GitHubにて利用可能である：https://github.com/JDAI-CV/FADA。