نقدم بنية شبكة تُسمى Adaptive Instance Selection (AdaptIS) لتقسيم المُستويات دون تمييز للتصنيف (class-agnostic instance segmentation). عند إدخال صورة وإحداثي نقطي $(x, y)$(x,y)، تُنتج الشبكة قناعًا يُغطي الكائن الموجود عند هذا الموقع. تعتمد الشبكة على طبقات AdaIN لتكيّف نفسها مع النقطة المدخلة، مما يسمح لها بإنتاج قناعات مختلفة لكل كائن في الصورة نفسها. تُنتج AdaptIS قناعات دقيقة على مستوى البكسل، وبالتالي تُحقق تقسيمًا دقيقًا للكائنات ذات الأشكال المعقدة أو المُغطاة جزئيًا أو كليًا. يمكن دمج AdaptIS بسهولة مع خط أنابيب التقسيم الشامل (semantic segmentation) القياسي لتحقيق تقسيم بانوبيك (panoptic segmentation). لتقديم مثال توضيحي، نُجري تجارب على مشكلة لعبة صعبة تتسم بمستويات عالية من التداخل والغطاء. ثم نُقيّم الطريقة بشكل واسع على معايير تقسيم بانوبيك. نحقق نتائج متقدمة على مستوى العالم على مجموعتي بيانات Cityscapes وMapillary، حتى دون تدريب مسبق على مجموعة COCO، ونُظهر نتائج تنافسية على مجموعة بيانات COCO الصعبة. يمكن الوصول إلى الشفرة المصدرية للطريقة والنموذج المدرب عبر الرابط: https://github.com/saic-vul/adaptis.