شهد موضوع التجزئة الدلالية تقدماً كبيراً بفضل الخصائص القوية التي يتم تعلمها بواسطة الشبكات العصبية التلافيفية (CNNs). تعتمد الأساليب الرائدة الحالية في التجزئة الدلالية على استخراج معلومات الشكل من خلال استخلاص خصائص CNN من المناطق المقنعة في الصور. يُدخل هذا الاستراتيجية حدوداً اصطناعية على الصور وقد يؤثر على جودة الخصائص المستخلصة. بالإضافة إلى ذلك، تتطلب العمليات في المجال الصوري الأصلي حساب آلاف الشبكات على صورة واحدة، مما يستغرق وقتاً طويلاً. في هذه الورقة البحثية، نقترح استغلال معلومات الشكل عبر تقنين الخصائص التلافيفية. يتم معالجة المقترحات التجزئة (مثل السوبر بكسل) كقناعات على خرائط الخصائص التلافيفية. يتم تقنين خصائص CNN للمناطق مباشرة من هذه الخرائط واستخدامها لتدريب المصنفات للتعرف. كما نقترح طريقة مشتركة للتعامل مع الكائنات والمواد (مثل العشب، السماء، الماء) ضمن الإطار نفسه. تم إثبات النتائج الرائدة في مجال التقنية على مقاييس PASCAL VOC و PASCAL-CONTEXT الجديدة، مع سرعة حسابية ملحوظة.