في هذا العمل، نقدم طريقة للتكيف غير المشرف بين المجالات (Unsupervised Domain Adaptation). العديد من طرق التعلم المعادية تدرب شبكات تصنيف المجال على تمييز الخصائص كمصدر أو هدف وتدرب شبكة مولدة للخصائص على تقليد المميز (Discriminator). هناك مشكلتان مع هذه الطرق. أولاً، يحاول تصنيف المجال فقط تمييز الخصائص كمصدر أو هدف وبالتالي لا يأخذ في الاعتبار الحواجز القرارية الخاصة بالمهمة بين الفئات. لذلك، يمكن أن تولد الشبكة المدربة خصائص غامضة بالقرب من حدود الفئات. ثانيًا، تهدف هذه الطرق إلى مطابقة توزيعات الخصائص تمامًا بين المجالات المختلفة، وهو ما يكون صعبًا بسبب خصائص كل مجال.لحل هذه المشكلات، نقترح نهجًا جديدًا يسعى إلى تناسق توزيعات المصدر والهدف باستخدام الحواجز القرارية الخاصة بالمهمة. نقترح زيادة الاختلاف بين مخرجات تصنيفين للكشف عن عينات الهدف التي تكون بعيدة عن دعم المصدر. تقوم شبكة مولدة للخصائص بتعلم إنتاج خصائص الهدف بالقرب من الدعم لتقليل الاختلاف. أثبتت طرقتنا أنها أفضل من باقي الطرق على عدة مجموعات بيانات لتصنيف الصور وتقسيم المعنى (Semantic Segmentation). الرموز متاحة في \url{https://github.com/mil-tokyo/MCD_DA}