يُعد النهج القائم على التدريب الذاتي حديثًا من الاتجاهات المهمة في التجزئة الدلالية المتكيفة حسب المجال، حيث يتم تدريب النموذج باستخدام تسميات وهمية من المجال الهدف. ورغم أن التطورات الحالية قد خففت من تأثير التسميات الوهمية الضوضائية الناتجة عن الفجوة بين المجالات، إلا أنها ما زالت تواجه صعوبات في التعامل مع التسميات الوهمية الخاطئة بالقرب من حدود الفاصل الدلالي. وفي هذه الورقة، نعالج هذه المشكلة من خلال اقتراح تفاعل ثنائي المستويات للتكيف بين المجالات (DIDA) في التجزئة الدلالية. وبشكل صريح، نشجع على أن تكون تنبؤات الفئة متشابهة بين مختلف المناظير المُعدّلة لنفس البكسل (على مستوى الدلالة)، وكذلك أن تكون علاقات التشابه بين هذا البكسل والبكسلات الأخرى متماثلة (على مستوى المثيل). وبما أن من المستحيل الاحتفاظ بسمات جميع مثيلات البكسلات في مجموعة بيانات كاملة، فإننا نُحافظ على بنك مثيلات مُسَمّاة يُحدّث ديناميكيًا لتخزين معلومات مثيلات البكسلات بشكل انتقائي. علاوة على ذلك، يقوم DIDA بتنفيذ تفاعل بين المستويات باستخدام تقنيات التشتت والجمع لإعادة إنتاج تسميات وهمية أكثر موثوقية. وقد أظهرت نتائج طريقة DIDA تفوقًا ملحوظًا على أفضل الطرق الحالية، خاصةً في الفئات المُربكة والمتوازنة بشكل غير متساوٍ (التي تُعرف بـ "الطبقات الطويلة الذيل"). يمكن الوصول إلى الكود من خلال الرابط: \href{https://github.com/RainJamesY/DIDA}