ننظر في مشكلة تكييف المشهد غير المراقبة، التي تُعدّ تعلّمًا من بيانات مصدر مُصنّفة وبيانات مستهدفة غير مصنّفة. تركز الطرق الحالية على تقليل الفجوة بين المجالات (inter-domain) بين المجال المصدري والمجال المستهدف. ومع ذلك، فإن المعرفة الداخلية للمجال (intra-domain) والشكوك الجوهرية التي يتعلمها الشبكة تُبقي على مستوى استكشاف منخفض. في هذا البحث، نقترح طريقة متعامدة تُسمى "التنظيم الذاكرة الحيوي" (memory regularization in vivo) لاستغلال المعرفة الداخلية للمجال وتنظيم تدريب النموذج. وبشكل خاص، نُشير إلى نموذج التجزئة نفسه كوحدة ذاكرة، ونُقلّل من الفرق بين كلا التصنيفين، أي التصنيف الأساسي والتصنيف المساعد، بهدف تقليل التناقض في التنبؤات. وبلا إضافة معلمات إضافية، تُعدّ هذه الطريقة مكملة للعديد من الطرق الحالية لتكييف المجال، ويمكنها بشكل عام تحسين أداء الطرق الحالية. وعلى الرغم من بساطتها، نُثبت فعالية التنظيم الذاكرةي على بحثين مزيفين-حقيقيين: GTA5 ← Cityscapes وSYNTHIA ← Cityscapes، حيث حققنا تحسينًا بنسبة +11.1% و+11.3% في متوسط دقة التداخل (mIoU) مقارنةً بالنموذج الأساسي، على التوالي. بالإضافة إلى ذلك، لوحظ تحسين مشابه بنسبة +12.0% في متوسط دقة التداخل على بحث عبر المدن: Cityscapes ← Oxford RobotCar.