يصف التسوية الثابتة (consistency regularization) فئة من الأساليب التي حققت نتائج ثورية في مشاكل التصنيف شبه المشرف. وقد أثبت العمل السابق أن افتراض التجميع (cluster assumption) - والذي يشير إلى أن توزيع البيانات يتكون من مجموعات متجانسة للعينات تفصلها مناطق ذات كثافة منخفضة - مهمًا لنجاح هذه الأساليب. قمنا بتحليل مشكلة التقسيم الدلالي (semantic segmentation) ووجدنا أن توزيعها لا يظهر مناطق ذات كثافة منخفضة تفصل بين الفئات، ونقدم هذا كتفسير لسبب صعوبة التقسيم شبه المشرف، مع وجود عدد قليل فقط من التقارير الناجحة. ثم حددنا اختيار الزيادة (augmentation) باعتباره العامل الرئيسي للحصول على أداء موثوق به دون وجود مثل هذه المناطق ذات الكثافة المنخفضة. وجدنا أن النسخ المعدلة من تقنيات الزيادة المقترحة مؤخرًا CutOut و CutMix تحقق أفضل النتائج في التقسيم الدلالي شبه المشرف على مجموعة بيانات قياسية. بالإضافة إلى ذلك، نظرًا لطبيعتها الصعبة، نقترح أن التقسيم الدلالي يعمل كاختبار حمضي فعال لتقييم المنظمين شبه المشرفين (semi-supervised regularizers). يمكن الوصول إلى التنفيذ عبر الرابط: https://github.com/Britefury/cutmix-semisup-seg.