تستفيد السيارات المستقلة بوضوح من امتداد مجال الرؤية (FoV) الناتج عن أجهزة الاستشعار الدائرية التي تغطي 360 درجة، لكن النهج الحديثة في التصنيف المعنوي تعتمد بشكل كبير على بيانات التدريب المُعلّمة، التي نادرًا ما تكون متاحة للصور الشاملة (البيانية الدائرية). ننظر إلى هذه المشكلة من منظور التكيّف بين المجالات، ونُقدّم تصنيفًا معنويًا للصورة الدائرية في بيئة ينشأ فيها بيانات التدريب المُعلّمة من توزيع مختلف عن صور الكاميرات المُخروطية التقليدية (pinhole). لتحقيق ذلك، نُصِف بشكل رمزي مهمة التكيّف بين المجالات غير المُراقبة لتصنيف الصور الدائرية، ونُجمِع مجموعة بيانات جديدة تُسمى DensePASS — وهي مجموعة بيانات مُعلّمة بكثافة عالية لتصنيف الصور الدائرية في ظل ظروف تكامل مجالات مختلفة، وتم تصميمها خصيصًا لدراسة انزلاق المجال من الكاميرات المخروطية إلى الصور الدائرية، مع تزويدها بعينات تدريب من كاميرات مخروطية مستمدة من مجموعة Cityscapes. تغطي DensePASS كلًا من الصور الدائرية المُعلّمة وغير المُعلّمة، حيث تتكوّن البيانات المُعلّمة من 19 فئة، وتتوافق بشكل صريح مع الفئات المتاحة في المجال المصدر (أي المجال المخروطي). وبما أن النماذج القائمة على البيانات تكون أكثر عرضة لتغيرات توزيع البيانات، نقدّم إطار عمل عامًا يُسمى P2PDA لتصنيف المعاني من الكاميرات المخروطية إلى الصور الدائرية، والذي يعالج تحدي انفصال المجالات من خلال تنويعات من وحدات التكيّف بين المجالات المُعززة بالانتباه، ما يُمكّن من نقل التعلم في فضاءات المخرجات، والسمات، وفضاءات موثوقية السمات. يُدمج P2PDA بين عملية التكيّف المُدرك للغموض باستخدام قيم الموثوقية التي تُنظَّم في الوقت الفعلي عبر رؤوس الانتباه، مع التنبؤات المختلفة. يُسهّل هذا الإطار تبادل السياق عند تعلُّم الت correspon-dences بين المجالات، ويُحسّن بشكل كبير أداء التكيّف في النماذج المُركّزة على الدقة والكفاءة. تؤكد التجارب الشاملة أن إطارنا يتفوّق بوضوح على النهج التقليدية للتكيّف بين المجالات غير المُراقبة، وكذلك على النماذج المتخصصة في التصنيف الدائري للصور.