التمييز الشامل يتطلب تقسيم كل من "الأجسام" (نماذج الأشياء القابلة للعد) و"المواد" (المناطق غير القابلة للعد والغير منتظمة) ضمن مخرجات واحدة. النهج الشائع يشمل دمج التمييز الفردي (لـ "الأجسام") والتمييز الدلالي (لـ "المواد") في ترتيب غير متداخل للتقسيمات، ويحل المشكلات المتعلقة بالتداخل. ومع ذلك، فإن ترتيب النماذج بناءً على ثقة الكشف لا يتوافق بشكل جيد مع العلاقة الطبيعية للتغطية. لحل هذه المشكلة، نقترح فرعاً مكلفاً بنمذجة كيفية تداخل قناعين لنموذجين فرديين كعلاقة ثنائية. طريقتنا، التي أطلقنا عليها اسم OCFusion (دمج OC)، خفيفة الوزن ولكنها فعالة بشكل خاص في عملية دمج النماذج الفردية. يتم تدريب OCFusion باستخدام العلاقة الحقيقية المستخرجة تلقائياً من شروحات مجموعة البيانات الموجودة. نحصل على أفضل النتائج المعاصرة على COCO ونظهر نتائج تنافسية على معيار التميز الشامل لمدينة Cityscapes.