يعتمد التكيف البشري بشكل حاسم على القدرة على التعلم ودمج المعرفة من خلال التعلم الإشرافي والتعلم غير الإشرافي: يشير الوالدان إلى بعض المفاهيم الأساسية، ثم يقوم الأطفال بملء الثغرات بأنفسهم. وهذا فعال بشكل خاص، لأن التعلم الإشرافي لا يمكن أن يكون شاملًا، وبالتالي فإن التعلم الذاتي يسمح باكتشاف الثوابت والأنماط التي تساعد في التعميم. في هذا البحث، نقترح تطبيق نهج مشابه على مهمة التعرف على الأشياء عبر المجالات: يتعلم نموذجنا العلامات الدلالية بطريقة إشرافية، ويوسع فهمه للبيانات من خلال التعلم من إشارات ذاتية-إشرافية كيفية حل لغز الجigsaw (لغز الصور) على نفس الصور. هذه المهمة الثانوية تساعد الشبكة على تعلم مفاهيم الارتباط المكاني بينما تعمل كمُعَدِّل للمهمة التقسيمية. تؤكد العديد من التجارب على مجموعات البيانات PACS وVLCS وOffice-Home وأرقام digits حدسنا وتظهر أن هذه الطريقة البسيطة تتفوق على حلول التعميم والتكييف السابقة في المجال. كما يوضح دراسة الاستبعاد ديناميكيات داخلية لم APPROACHنا.