نعتبر مشكلة التكيف غير المشرف بين المجالات في تقسيم المعاني (semantic segmentation). المحور الرئيسي في هذا السياق يكمن في تقليل الاختلاف بين المجالات، أي فرض تشابه توزيع البيانات بين المجالين. استراتيجية شائعة هي محاذاة التوزيع الحاشي في الفضاء المميز من خلال التعلم المعادي (adversarial learning). ومع ذلك، فإن هذه الاستراتيجية للمحاذاة العالمية لا تأخذ بعين الاعتبار توزيع المميزات على مستوى الفئة. نتيجة محتملة لهذا الحراك العالمي هو أن بعض الفئات التي كانت محاذاة بشكل جيد في الأصل بين المصدر والهدف قد يتم رسمها بشكل خاطئ. لمعالجة هذه المشكلة، يقدم هذا البحث شبكة معادية على مستوى الفئة، بهدف فرض التجانس الدلالي المحلي أثناء اتجاه المحاذاة العالمية. فكرة نهجنا هي النظر عن كثب إلى توزيع البيانات على مستوى الفئة ومحاذاة كل فئة بخسارة معادية متكيفة. تحديداً، نخفض وزن الخسارة المعادية لمميزات محاذاة على مستوى الفئة بينما نزيد القوة المعادية لتلك التي تم تحديد أنها محاذاة بشكل ضعيف. وفي هذا العملية، نحدد مدى جودة محاذاة الميزة على مستوى الفئة بين المصدر والهدف باستخدام نهج التعليم المشترك (co-training approach). في مهمتين للتكيف بين المجالات، وهما GTA5 → Cityscapes و SYNTHIA → Cityscapes، أثبتنا أن الطريقة المقترحة تتوافق مع أفضل التقنيات الحالية من حيث دقة التقسيم.