تم تدريب الطرق الحديثة للفصل الدلالي بشكل شبه حصري على الصور ضمن نطاق ثابت من الدقة. وتشكل هذه الطرق غير دقيقة بالنسبة للصور ذات الدقة العالية جدًا، لأن استخدام التكبير الثنائي التكعيب (bicubic upsampling) للنتائج الناتجة عن التصنيف المنخفض الدقة لا يُمكّن من التقاط التفاصيل الدقيقة ذات الدقة العالية على طول حدود الكائنات بشكل كافٍ. في هذا البحث، نقترح منهجية جديدة لمعالجة مشكلة التصنيف بذات الدقة العالية دون الحاجة إلى أي بيانات تدريب ذات دقة عالية. والرؤية الأساسية تكمن في شبكة CascadePSP التي تقوم بتحسين وتصحيح الحدود المحلية كلما أمكن ذلك. وعلى الرغم من أن شبكتنا تم تدريبها باستخدام بيانات تصنيف منخفضة الدقة، فإن منهجنا يمكن تطبيقه على أي دقة، حتى على الصور ذات الدقة العالية جدًا التي تتجاوز 4K. ونقدم دراسات كمية ونوعية على مجموعات بيانات مختلفة، تُظهر أن CascadePSP قادرة على الكشف عن حدود تصنيف دقيقة على مستوى البكسل باستخدام وحدة التحسين الجديدة لدينا، دون الحاجة إلى أي عملية تحسين لاحقة (finetuning). وبالتالي، يمكن اعتبار منهجنا غير مرتبط بالفئة (class-agnostic). وأخيرًا، نُظهر تطبيق نموذجنا على تحليل المشهد في التصنيف متعدد الفئات.