يهدف التكيف بين المجالات غير المُراقب (UDA) إلى تحسين قدرة نموذج معين على التعميم من مجال مصدر إلى مجال هدف. ويُعد UDA ذا أهمية خاصة نظرًا لعدم الحاجة إلى بذل جهد إضافي في تسمية عينات المجال الهدف. ومع ذلك، فإن الفروق في توزيع البيانات بين المجالين، أو ما يُعرف بـ \emph{انزياح المجال/الانفصال بين المجالين}، لا يمكن تجنبه، مما يؤثر حتمًا على أداء UDA. وعلى الرغم من التقدم المحرز في مطابقة التوزيعات الحاشية بين المجالين، فإن الفاصل التصنيفي يميل إلى تفضيل ميزات المجال المصدر، مما يؤدي إلى توقعات خاطئة في المجال الهدف بسبب تجانس الميزات دون مراعاة الفئات. في هذه الورقة، نقترح نموذج UDA جديد يُدعى CAG (Category Anchor-Guided)، مخصصًا لتقسيم الدلالي، والذي يفرض بشكل صريح تطابقًا واعيًا بالفئة لتعلم ميزات تمييزية مشتركة والفاصل التصنيفي في آنٍ واحد. أولاً، تُستخدم الوسطيات الفئوية لميزات المجال المصدر كمُرشدات موجهة لتحديد الميزات النشطة في المجال الهدف، وتُعيّن لها تسميات وهمية. ثم، نستفيد من خسارة مبنية على المسافة على مستوى البكسل تعتمد على المُرشدات، وخسارة تمييزية لجذب الميزات داخل الفئة إلى بعضها وفصل الميزات بين الفئات عن بعضها. وأخيرًا، نصمم آلية تدريب متعددة المراحل لتقليل تراكم الأخطاء وتمكين النموذج من التكيف تدريجيًا. أظهرت التجارب في سيناريوهين: GTA5$\rightarrow$→Cityscapes وSYNTHIA$\rightarrow$→Cityscapes، تفوق نموذج CAG-UDA مقارنةً بالأساليب الرائدة في المجال. يُمكن الوصول إلى الكود من خلال الرابط التالي: \url{https://github.com/RogerZhangzz/CAG_UDA}.