ن tackled مشكلة التجزئة في مثال واحد: إيجاد كائن غير مُشاهد من قبل وتمييزه داخل مشهد مزدحم بناءً على مثال توجيهي واحد فقط. نقترح مجموعة بيانات جديدة نسميها $\textit{Omniglot المزدحمة}$Omniglot المزدحمة (cluttered Omniglot). باستخدام بنية أساسية تدمج بين تمثيل سيماسي للكشف وشبكة U-net للتمييز، نُظهر أن زيادة درجات التزاحم تجعل المهمة أكثر صعوبة تدريجيًا. وباستخدام نماذج مثالية (oracle models) التي تمتلك وصولًا إلى كميات مختلفة من معلومات الحقيقة الأساسية، نقيّم جوانب مختلفة من المشكلة، ونُظهر أن في هذا النوع من مهام البحث البصري، تشكل عملية الكشف والتمييز مشكلتين مترابطتين، حيث يُسهم الحل في كل منهما في حل الآخر. لذلك، نقدّم نموذجًا مُحسَّنًا يُسمى $\textit{MaskNet}$MaskNet، الذي يُركّز على عدة مواقع مرشحة، ويُولِّد اقتراحات لتمييز لتحديد الكائنات، ويُزيل خلفية التزاحم، ثم يختار بين الكائنات المُميزة. تشير نتائجنا إلى أن نماذج التعرف على الصور القائمة على عملية تحسين تدريجيّة لكشف الكائنات وتمييز الخلفية الأمامية قد تُمكّن من التعامل مع المشاهد المزدحمة بشكل فعّال.