本論文では、直接適応戦略（Direct Adaptation Strategy: ADAS）を提案します。この戦略は、事前学習されたドメイン固有のモデルを使用せずに、セマンティックセグメンテーションタスクにおいて単一のモデルを複数の目標ドメインに直接適応させることが目的です。そのため、視覚的属性をドメイン間で揃えるために、新しい目標適応デノーマライゼーション（Target Adaptive Denormalization: TAD）モジュールを通じてドメイン特有の特徴を転送する多目標ドメイン転送ネットワーク（Multi-Target Domain Transfer Network: MTDT-Net）を設計しました。さらに、クラスラベル間の属性の曖昧性を減らすために、一貫した特徴統計を持つ領域を選択する双方向適応領域選択（Bi-directional Adaptive Region Selection: BARS）を提案しています。我々は、単一のMTDT-Netが複雑な運転データセットから視覚的に魅力的なドメイン転送画像を合成できることを示し、BARSが各目標ドメインに対して不要な訓練画像の領域を効果的にフィルタリングできることも確認しました。MTDT-NetとBARSの協調により、我々のADASは多目標ドメイン適応（Multi-Target Domain Adaptation: MTDA）において最先端の性能を達成しています。当該方法がセマンティックセグメンテーションにおける複数ドメインへの直接適応を行う最初のMTDA手法であることは、我々の知る限り初めてのことです。