يقدم هذا البحث إطارًا جديدًا للكشف عن الأشياء في مجال واحد معمم (أي، الكشف عن الأشياء المعمم في مجال واحد - Single-DGOD)، حيث نهتم بتعلم وإبقاء الهياكل الدلالية للعينات المركبة عبر المجالات التي تم تحسينها ذاتيًا لتعزيز قدرة النموذج على التعميم. يختلف Single-DGOD عن DGOD الذي يتم تدريبه على عدة مجالات مصدر، حيث يعتبر التعمم إلى عدة مجالات هدفية بمجال مصدر واحد فقط تحديًا أكبر بكثير. تعتمد الأساليب الحالية في الغالب على معالجة مشابهة لـ DGOD لتعلم الخصائص المستقرة بين المجالات من خلال فصل أو ضغط المساحة الدلالية. ومع ذلك، قد تكون هناك حدتان محتملتان: 1) ارتباط خاطئ بين الصفات والعلامات الوهمية، بسبب نقص شديد في بيانات المجال الواحد؛ و2) غالبًا ما يتم تجاهل المعلومات البنيوية الدلالية، أي أننا وجدنا أن علاقات الارتباط الدلالي على مستوى العينة هي حاسمة للتعميم النموذجي. في هذا البحث، نقدم "التفسير الدلالي بالمساحات المركبة" (SRCD) لـ Single-DGOD. بشكل خاص، يتضمن SRCD مكونين رئيسيين وهما: وحدة التحسين الذاتي القائمة على النسيج (TBSA)، ووحدة التفكير الدلالي المحلي-العالمي (LGSR). يهدف TBSA إلى القضاء على آثار الصفات غير ذات الصلة المرتبطة بالعلامات، مثل الإضاءة والظل واللون وما إلى ذلك، على مستوى الصورة من خلال تحسين ذاتي خفيف وكفء. بالإضافة إلى ذلك، يستخدم LGSR لنمذجة العلاقات الدلالية على ميزات العينة بشكل أعمق لكشف وتثبيت الهياكل الدلالية الأساسية. تثبت التجارب الواسعة على عدة مقاييس فعالية SRCD المقترح.