يتحدى هذا البحث مهمة التجزئة الدلالية عبر المجالات، بهدف تحسين دقة التجزئة في المجال المستهدف غير المصنف دون الحاجة إلى إجراء تصنيفات إضافية. باستخدام أنبوب التكيف بين المجالات بدون إشراف يعتمد على العلامات الوهمية (UDA)، نقترح طريقة جديدة وفعالة للتكيف بالدمج المتعدد (MFA). يركز MFA بشكل أساسي على ثلاث استراتيجيات متوازية لدمج المعلومات، وهي: دمج النماذج المختلفة، الدمج الزمني، وطريقة جديدة لدمج العلامات الوهمية عبر الإنترنت ودون الإنترنت. تحديداً، يعمل دمج العلامات الوهمية عبر الإنترنت ودون الإنترنت على تشجيع التدريب التكيفي على التركيز بشكل أكبر على المناطق الصعبة التي يمكن تجاهلها بسهولة بواسطة العلامات الوهمية دون الإنترنت، مما يحافظ على المزيد من التفاصيل المعلوماتية. بينما قد تبدو الاستراتيجيتان الأخريتان قياسيتين، فإن MFA يبذل جهوداً كبيرة لزيادة كفاءة وفعالية عملية الدمج، وينجح في ضم جميع الثلاث استراتيجيات ضمن إطار موحد. أظهرت التجارب على مقعدين شائعين للقياس، وهما انتقال GTA5 إلى Cityscapes وانتقال SYNTHIA إلى Cityscapes، أن طرقنا تحسن بشكل كبير من التكيف في التجزئة الدلالية وتقيم معاييرًا جديدة للمستوى الأعلى (58.2٪ و62.5٪ mIoU على التوالي). سيتم توفير الكود في https://github.com/KaiiZhang/MFA.