تم دراسة التكيف بين المجالات من المحاكاة إلى الواقع في مهام التصنيف الدلالي بشكل مكثف لتطبيقات متنوعة مثل القيادة الذاتية. تركز الطرق الحالية بشكل رئيسي على سيناريو المصدر الواحد، وهي لا يمكنها التعامل بسهولة مع سيناريو أكثر واقعية يتضمن مصادر متعددة ذات توزيعات مختلفة. في هذا البحث، نقترح دراسة التكيف بين المجالات متعدد المصادر في تصنيف الدلالي. بشكل خاص، نصمم إطارًا جديدًا يُسمى شبكة التجميع العدوية متعددة المصادر (MADAN)، التي يمكن تدريبها بطريقة نهائية إلى نهائية. أولاً، نُولِّد مجالًا مُعدّلًا لكل مصدر مع الحفاظ على اتساق دلالي ديناميكي، مع محاذاة على مستوى البكسل بشكل دوري متسق مع المجال المستهدف. ثانيًا، نقترح مُميّز تجميع الفرعي وتمييز دوري بين المجالات المختلفة لجعل المجالات المُعدّلة المختلفة أكثر تقاربًا. وأخيرًا، نُجري محاذاة على مستوى الميزات بين المجال المجمّع والمجتمع المستهدف أثناء تدريب شبكة التصنيف. أظهرت التجارب الواسعة من البيانات الاصطناعية (GTA وSYNTHIA) إلى بيانات حقيقية (Cityscapes وBDDS) أن نموذج MADAN المقترح يتفوق على الطرق الرائدة في مجاله. تم إصدار الكود المصدري لدينا عبر الرابط التالي: https://github.com/Luodian/MADAN.