الطرق المستندة إلى الشبكات العصبية المتلافهة (Convolutional Neural Networks) للتقسيم الدلالي تعتمد على الإشراف باستخدام الحقيقة الأرضية على مستوى البكسل، ولكن قد لا تعمم بشكل جيد على مجالات الصور غير المعروفة. نظرًا لأن عملية التسمية مرهقة وتحتاج إلى جهد كبير، فإن تطوير خوارزميات يمكنها تكييف علامات الحقيقة الأرضية للمصدر مع المجال الهدف يحظى باهتمام كبير. في هذا البحث، نقترح طريقة تعلم معاكسة (Adversarial Learning) للتكييف بين المجالات في سياق التقسيم الدلالي. بالنظر إلى التقسيمات الدلالية كمخرجات منظمة تحتوي على تشابهات فضائية بين المجالين المصدر والهدف، نعتمد التعلم المعاكس في الفضاء الخرجي. لتعزيز النموذج المتكيف بشكل أكبر، نقوم ببناء شبكة معاكسة متعددة المستويات لتنفيذ التكييف بين المجالات في الفضاء الخرجي بكفاءة على مستويات مختلفة من الخصائص. تم إجراء تجارب ودراسات تقليصية موسعة تحت إعدادات مختلفة للتكييف بين المجالات، بما في ذلك السيناريوهات من الصور المصنعة إلى الحقيقية ومن مدينة لأخرى. أظهرنا أن الطريقة المقترحة تؤدي بشكل أفضل من الطرق الرائدة حاليًا من حيث الدقة وجودة الصورة المرئية.