نقدم خوارزمية تقسيم نسبي مُشرف عليها بشكل ضعيف تعتمد على التعلم العميق للمجتمعات مع مهام متعددة. يتم صياغة هذه المهمة كمزيج من الكشف عن الأشياء تحت الإشراف الضعيف والتقسيم الدلالي، حيث يتم تحديد وتقسيم الأشياء الفردية من نفس الفئة بشكل منفصل. نعالج هذه المشكلة من خلال تصميم هندسة شبكة عصبية عميقة موحدة، والتي تتميز بدورة رد فعل إيجابية بين الكشف عن الأشياء باستخدام تقدير الصندوق الحدودي (Bounding Box Regression)، وتوليد قناع النموذج الفردي (Instance Mask Generation)، والتقسيم النسبي للنموذج (Instance Segmentation)، واستخراج الميزات (Feature Extraction). يتفاعل كل مكون من مكونات الشبكة بنشاط مع الآخرين لتحسين الدقة، ويتيح قابلية التدريب من البداية إلى النهاية في نموذجنا جعل النتائج أكثر ثباتًا وإعادة إنتاجها. تحقق الخوارزمية المقترحة أداءً رائدًا في الإعداد المُشرف عليه بشكل ضعيف دون أي تدريب إضافي مثل Fast R-CNN وMask R-CNN على مجموعة بيانات المعيار القياسية. يمكن الحصول على تنفيذ خوارزميتنا من صفحة الويب الخاصة بالمشروع: https://cv.snu.ac.kr/research/WSIS_CL.