حققت شبكات العصبونات المتلافهة (CNNs) نجاحات كبيرة في العديد من مشاكل رؤية الحاسوب. على عكس الأعمال السابقة التي صممت هياكل CNN لتحسين الأداء في مهمة واحدة ضمن مجال واحد وليس لها قابلية تعميم، نقدم في هذا البحث شبكة IBN-Net، وهي بنية متلافهة جديدة تحسن بشكل ملحوظ قدرة CNN على النمذجة في مجال واحد (مثل Cityscapes) وكذلك قدرتها على التعميم في مجال آخر (مثل GTA5) دون إعادة التدريب الدقيق. تقوم شبكة IBN-Net بدمج تطبيع المثيل (IN) وتطبيع الدفعة (BN) بعناية ككتل بنائية، ويمكن تطبيقها على العديد من الشبكات العميقة المتقدمة لتحسين أدائها. يحتوي هذا العمل على ثلاثة إسهامات رئيسية: (1) من خلال الغوص في دراسة IN وBN، أظهرنا أن IN تتعلم الخصائص التي تكون ثابتة أمام التغييرات الظاهرية مثل الألوان والأساليب والافتراضي/الحقيقي، بينما يعتبر BN ضرورياً للحفاظ على المعلومات المرتبطة بالمحتوى. (2) يمكن تطبيق شبكة IBN-Net على العديد من الهياكل العميقة المتقدمة مثل DenseNet وResNet وResNeXt وSENet، مما يؤدي إلى تحسين مستمر لأدائها دون زيادة التكلفة الحسابية. (3) عند تطبيق الشبكات المدربة على مجالات جديدة، مثل الانتقال من GTA5 إلى Cityscapes، فإن شبكة IBN-Net تحقق تحسينات مقاربة لتلك التي حققها طرق التكيف بين المجالات، حتى بدون استخدام بيانات من المجال المستهدف. باستخدام شبكة IBN-Net، حصلنا على المركز الأول في تحدي WAD 2018 لمسار المناطق القابلة للقيادة، بمعدل تقاطع فوق الاتحاد (mIoU) بلغ 86.18%.