التكيف غير المشرف بين المجالات (UDA) مهم للتطبيقات التي يصعب فيها تسمية بيانات ممثلة على نطاق واسع. بالنسبة لتقسيم الدلالة بشكل خاص، فإنه يساعد في نشر نماذج تم تدريبها على صور مشمولة بالتسمية من مجال مختلف، وهو غالبًا بيئة افتراضية، على بيانات حقيقية من "المجال المستهدف". لهذا الغرض، تعتبر معظم الدراسات السابقة تقسيم الدلالة كطريقة الإشراف الوحيدة على بيانات المجال المصدر، مع تجاهل معلومات أخرى قد تكون متاحة مثل العمق. في هذا البحث، نسعى إلى استغلال هذه المعلومات المميزة بأفضل طريقة ممكنة أثناء تدريب النموذج UDA. نقترح إطار عمل موحد يعتمد على العمق (Depth-aware UDA) يستفيد من معرفة العمق الكثيف في المجال المصدر بعدة طرق مكملة. نتيجة لذلك، يتم تعزيز أداء النموذج المشمول بـ تقسيم الدلالة المدرب على المجال المستهدف. بالفعل، يحقق نهجنا الجديد أفضل الأداء الحالي في مقاييس مختلفة صعبة للانتقال من البيئات الافتراضية إلى الحقيقية (synthetic-2-real benchmarks).