تُعد التجزئة الدلالية للصور الليلية دورًا متساوٍ الأهمية بالنسبة للصور النهارية في القيادة الذاتية، لكنها تُعد أكثر تحديًا بسبب الإضاءة الضعيفة وصعوبة التصنيف اليدوي. في هذه الورقة، نقترح شبكة تكييف مجالية جديدة (DANNet) للتعرف على التجزئة الدلالية للصور الليلية دون استخدام بيانات صور ليلية مُعلمة. تعتمد الشبكة على تدريب مُعادٍ باستخدام مجموعة بيانات نهارية مُعلمة ومجموعة بيانات غير مُعلمة تتضمن أزواجًا من الصور النهارية والليلية بمحاذاة تقريبية. وبشكل خاص، بالنسبة لأزواج الصور النهارية والليلية غير المُعلمة، نستخدم التنبؤات على مستوى البكسل لفئات الكائنات الثابتة في الصورة النهارية كإشراف افتراضي لتحليل الصورة الليلية المقابلة. كما نصمم استراتيجية إعادة توزيع الأوزان لمعالجة عدم الدقة الناتجة عن عدم التماثل بين أزواج الصور النهارية والليلية، والتنبؤات الخاطئة للصور النهارية، بالإضافة إلى تعزيز دقة التنبؤ بالكائنات الصغيرة. تمثل DANNet أول إطار عمل متكامل (one-stage) لتكييف المجال في التجزئة الدلالية للصور الليلية، حيث لا تتطلب تدريبًا مسبقًا لنماذج نقل الصور النهارية إلى الليلية كمرحلة منفصلة. تُظهر التجارب الواسعة على مجموعتي بيانات Dark Zurich وNighttime Driving أن طريقة我们的 تحقق من أداء مُتقدم جدًا في التجزئة الدلالية للصور الليلية.