تبقى التجزئة الوضعية ذات المعنى مهمةً صعبة التحقيق. في هذه الدراسة، نقترح معالجة هذه المشكلة باستخدام دالة خسارة تمييزية تعمل على مستوى البكسل، وتُحفّز الشبكة التلافيفية على إنتاج تمثيل للصورة يمكن تجميعه بسهولة في كيانات من خلال خطوة ما بعد معالجة بسيطة. تُحفّز دالة الخسارة الشبكة على خريطة كل بكسل إلى نقطة في الفضاء المميز، بحيث تقع البكسلات المنتمية إلى نفس الكيان قريبة من بعضها البعض، بينما تكون الكيانات المختلفة منفصلة بمسافة واسعة. يُعدّ نهجنا المتمثل في دمج شبكة جاهزة مع دالة خسارة مبنية على مبدأ مستوحى من هدف التعلم المترتيبي بسيطًا من الناحية المفاهيمية، ويختلف عن الجهود الحديثة في تجزئة الكيانات. على عكس الدراسات السابقة، لا تعتمد طريقة我们的 على اقتراحات الكيانات أو الآليات المتكررة. وتمثّل المساهمة الأساسية في عملنا إثبات أن هذا الإعداد البسيط دون تعقيدات إضافية فعّال، ويمكنه تحقيق أداءً يوازي الأداء المحرز من قبل الطرق الأكثر تعقيدًا. علاوةً على ذلك، نُظهر أن طريقة عملنا لا تعاني من بعض القيود التي تُعاني منها الطرق الشائعة القائمة على الكشف ثم التجزئة. وقد حققنا أداءً تنافسيًا على معايير التقييم الخاصة بمدينة سيتيسكيابس (Cityscapes) وتجزئة أوراق النباتات (CVPPP).