التحليل الدلالي يُعد تقنية مهمة لاستشعار البيئة في أنظمة النقل الذكية. ومع التطور السريع للشبكات العصبية التلافيفية (CNN)، يمكن عادةً تحقيق نتائج مرضية في تحليل مشاهد الطرق ضمن المجال المصدر. ومع ذلك، لا يزال ضمان التعميم الجيد على سيناريوهات مختلفة في المجال المستهدف يمثل تحديًا كبيرًا. في الآونة الأخيرة، تم اقتراح التعلم شبه المراقب والتعلم النشط لتخفيف هذه المشكلة. يمكن للتعلم شبه المراقب تحسين دقة النموذج باستخدام كميات ضخمة من البيانات غير المصنفة، ولكن قد تُولد بعض التصنيفات الوهمية التي تحتوي على ضوضاء عند وجود بيانات تدريب محدودة أو غير متوازنة. كما قد تؤدي غياب التوجيه البشري إلى نماذج غير مثلى. أما التعلم النشط، فيمكنه اختيار بيانات أكثر فعالية للتدخل، لكن دقة النموذج لا تتحسن بسبب عدم استخدام كميات ضخمة من البيانات غير المصنفة. وعندما يكون الفرق بين المجالين كبيرًا جدًا، تزداد احتمالية استدعاء عينات غير مثلى، مما يزيد من تكلفة التصنيف. تُقترح في هذه الورقة طريقة دائرية تكرارية تدمج بين التعلم النشط والتعلم شبه المراقب لتحقيق التكيّف بين المجالات في التحليل الدلالي. تبدأ الطريقة بتطبيق التعلم شبه المراقب لاستخلاص معلومات من كميات ضخمة من البيانات غير المصنفة، بهدف تحسين دقة النموذج وتقديم نماذج أكثر دقة لاستخدامها في التعلم النشط. ثم، يتم دمج استراتيجية اختيار العينات بناءً على عدم اليقين التنبؤي في التعلم النشط، مع استخدام التدخل البشري لتصحيح التصنيفات الوهمية. وأخيرًا، تُحقق الحلقات التكرارية المرنة أفضل أداء مع تكلفة تصنيف منخفضة قدر الإمكان. أظهرت التجارب الواسعة أن الطريقة المقترحة تحقق أداءً متقدمًا على مستوى الحالة الحالية في مهام التحويل من GTAV إلى Cityscapes، ومن SYNTHIA إلى Cityscapes، حيث تتفوق على أفضل طريقة سابقة بنسبة 4.9% في مقياس mIoU و5.2% على التوالي.