يتطلب التصنيف الدلالي كميات كبيرة من البيانات التدريبية، مما يستدعي تكاليف عالية في التسمية. وقد أُجريت العديد من الدراسات حول التكيّف دون تسمية (UDA) من مجال إلى آخر، مثل التحويل من الرسومات الحاسوبية إلى الصور الحقيقية. ومع ذلك، لا يزال هناك فجوة في الدقة بين نتائج UDA ونتائج التدريب المُشرَف على بيانات المجال الأصلي. ويُعزى هذا الفجوة بشكل مبرر إلى عدم التوافق على مستوى الفئات بين بيانات المجال المصدر والمستهدف. وللتعامل مع هذه المشكلة، نقترح طريقة تُطبّق التدريب العدواني لتوحيد توزيعي الميزات في المجال المستهدف. وتُستخدم إطار عمل التدريب الذاتي لتقسيم الصورة إلى منطقتين (أي منطقتين موثوقتين وغير موثوقتين)، وهاتان المنطقتان تُشكّلان توزيعين يُجرى توحيدهما في الفضاء الميزة. ونسمي هذه الطريقة "التكيف عبر المناطق" (CRA)، لتمييزها عن الطرق السابقة التي تُركّز على توحيد توزيعات مجالات مختلفة، والتي نسميها "التكيف عبر المجالات" (CDA). ويمكن تطبيق CRA بعد أي طريقة CDA. وتبين النتائج التجريبية أن هذه الطريقة تحسّن دائمًا دقة الطريقة المدمجة CDA، مما يُحدث تقدّمًا في الحد الأقصى المُحقَّق في الأداء الحالي.