يزداد الطلب بسرعة على تطبيق نموذج التجزئة الدلالية على الأجهزة المحمولة. الشبكات الرائدة حاليًا تحتوي على عدد هائل من المعلمات، مما يجعلها غير مناسبة للأجهزة المحمولة، بينما تتجاهل النماذج ذات البصمة الذاكرة الصغيرة الخصائص الأساسية للتجزئة الدلالية وتتبع روح الشبكات التصنيفية. لحل هذه المشكلة، نقترح شبكة جديدة موجهة بالسياق (Context Guided Network - CGNet)، وهي شبكة خفيفة الوزن وفعالة للتجزئة الدلالية. أولاً، نقترح كتلة موجهة بالسياق (Context Guided - CG)، التي تتعلم الخاصية المشتركة لكل من الخاصية المحلية والسياق المحيط، وتعزز هذه الخاصية المشتركة بشكل أكبر باستخدام السياق العالمي. بناءً على الكتلة CG، قمنا بتطوير CGNet التي تلتقط المعلومات السياقية في جميع مراحل الشبكة وتُصمم خصيصًا لزيادة دقة التجزئة. تم تصميم CGNet بدقة أيضًا لتقليل عدد المعلمات وحفظ البصمة الذاكرة. تحت عدد معلمات مكافئ، يتفوق النموذج المقترح CGNet بشكل كبير على شبكات التجزئة الموجودة حاليًا. تؤكد التجارب الواسعة على مجموعة بيانات Cityscapes وCamVid فعالية النهج المقترح. تحديدًا، بدون أي معالجة ما بعد أو اختبار متعدد القِياسات، يحقق النموذج المقترح CGNet نسبة تقاطع فوق الاتحاد (Intersection over Union - IoU) المتوسطة 64.8% على مجموعة بيانات Cityscapes مع أقل من 0.5 مليون معلمة. يمكن العثور على شفرة المصدر للنظام الكامل في https://github.com/wutianyiRosun/CGNet.