أظهرت نماذج التجزئة الدلالية المستندة إلى الشبكات العصبية التلافيفية أداءً ملحوظًا في عدد كبير من التطبيقات مؤخرًا. ومع ذلك، فإن هذه النماذج لا تُظهر عادةً قدرة جيدة على التعميم عند تطبيقها على مجالات جديدة، خاصة عند الانتقال من البيانات الاصطناعية إلى البيانات الحقيقية. في هذه الورقة، نتناول مشكلة التكييف غير المراقب للنطاق (UDA)، التي تسعى إلى التدريب على بيانات مُعلمة من مجال واحد (المجال المصدري)، وفي الوقت نفسه التعلم من بيانات غير مُعلمة في المجال المطلوب (المجال الهدف). وقد حققت الطرق الحالية نجاحًا من خلال التدريب على التصنيفات الوهمية (Pseudo-labels) للصور غير المُعلمة. وتم اقتراح عدة تقنيات لتقليل تأثير التصنيفات الوهمية ذات الجودة المنخفضة الناتجة عن التحول بين النطاقات، مع نجاح متفاوت. نقترح نموذج DACS: التكييف النطاقي عبر العينة المختلطة بين النطاقات، والذي يُمزج الصور من النطاقين مع التصنيفات المقابلة لها والتصنيفات الوهمية. ثم يتم تدريب النموذج على هذه العينات المختلطة، بالإضافة إلى البيانات المُعلمة نفسها. ونُظهر فعالية حلنا من خلال تحقيق نتائج رائدة في مجال التجزئة الدلالية من GTA5 إلى Cityscapes، وهو معيار شائع لاختبار التكييف غير المراقب من البيانات الاصطناعية إلى الحقيقية.