يُعرف مؤشر جاكارد أيضًا باسم درجة تقاطع على الاتحاد (Intersection-over-Union)، ويُستخدم بشكل شائع في تقييم نتائج تقسيم الصور بفضل خصائصه الإدراكية، وعدم اعتماده على المقياس - مما يمنح الأهمية المناسبة للأجسام الصغيرة، وعدّ السلبيات الخاطئة بشكل مناسب مقارنة بخسائر البكسل الفردية. نقدم طريقة لتحسين خسارة تقاطع على الاتحاد المتوسط مباشرة في الشبكات العصبية، في سياق تقسيم الصور الدلالي، تستند إلى التوسع المحدب لخسائر السباق (Lovász extension of submodular losses). أظهرت هذه الخسارة أدائها الأفضل فيما يتعلق بقياس مؤشر جاكارد مقارنة بالخسارة التقليدية للانحراف المتقاطع (cross-entropy loss). نوضح الاختلافات الكمية والنوعية بين تحسين مؤشر جاكارد لكل صورة وتحسين مؤشر جاكارد الذي يتم حسابه على مجموعة بيانات كاملة. نقيم تأثير طريقتنا في خط أنابيب التقسيم الدلالي ونظهر تحسينات كبيرة في درجات تقاطع على الاتحاد لتقسيم الصور على مجموعتي بيانات Pascal VOC وCityscapes باستخدام هياكل التعلم العميق المتقدمة.