رغم التقدم الكبير في التصنيف الدلالي الخاضع للإشراف، فإن انخفاضًا كبيرًا في الأداء غالبًا ما يُلاحظ عند نشر النموذج في البيئات الحقيقية. تتناول طرق التكيّف بين المجالات هذه المشكلة من خلال محاذاة المجال المصدري مع المجال الهدف. ومع ذلك، فإن معظم الطرق الحالية تحاول تحقيق هذه المحاذاة من منظور شامل، مما يتجاهل البنية الهيكلية على مستوى الفئات المُخفيّة في المجال الهدف. وللاستفادة الكاملة من الإشراف المتاح في المجال المصدري، نقترح استراتيجية تعلم مُضادّة دقيقة على مستوى الفئة، تهدف إلى محاذاة الميزات على مستوى الفئة مع الحفاظ على البنية الداخلية للدلالة عبر المجالات. نستخدم تمييزًا مجاليًا دقيقًا لا يُعدّ فقط وسيلة لتمييز المجالات، بل يُميّز أيضًا بين المجالات على مستوى الفئة. كما تم تعميم العلامات الثنائية للمجالات التقليدية إلى ترميزات مجالية، تُستخدم كإشارات إشراف لتوجيه محاذاة الميزات الدقيقة. وتم التحقق من فعالية الاستراتيجية المُضادة الدقيقة من خلال تحليل مسافة مركز الفئة (CCD)، والذي أظهر أن استراتيجيتنا تحقق محاذاة أفضل على مستوى الفئة مقارنةً بطرق الحالة الحالية. تُعد طريقة العمل سهلة التنفيذ، وقد تم تقييم فعاليتها على ثلاث مهام كلاسيكية لتكييف المجال، وهي: GTA5 إلى Cityscapes، وSYNTHIA إلى Cityscapes، وCityscapes إلى Cross-City. أظهرت النتائج تحسينات كبيرة في الأداء، مما يدل على تفوق طريقتنا على الطرق الأخرى التي تعتمد على محاذاة الميزات الشاملة أو محاذاة الميزات حسب الفئة. يمكن الوصول إلى الكود مفتوح المصدر عبر الرابط: https://github.com/JDAI-CV/FADA.