يمكن اعتبار التجزئة الدلالية (Semantic Segmentation) وكشف الحواف الدلالية (Semantic Edge Detection) كمُشكلتين متعاكستين ذات علاقة وثيقة في رؤية الحاسوب. وعلى الرغم من التطور السريع في أساليب التجزئة الدلالية ثلاثية الأبعاد القائمة على التعلم، إلا أن القليل من الانتباه قد تم توجيهه إلى تعلم كاشفات الحواف الدلالية ثلاثية الأبعاد، وربما أقل إلى طرق التعلم المشترك بين المهمتين. في هذه الورقة، نتناول مهمة كشف الحواف الدلالية ثلاثية الأبعاد لأول مرة، ونقدم شبكة عصبية كاملة التوسع ذات تدفقين جديدًا تقوم بإجراء المهمتين معًا بشكل مشترك. وبشكل خاص، قمنا بتصميم وحدة تحسين مشتركة (Joint Refinement Module) تربط صراحةً بين معلومات المنطقة ومعلومات الحافة، بهدف تحسين أداء كلا المهمتين. علاوة على ذلك، اقترحنا دالة خسارة جديدة تشجع الشبكة على إنتاج نتائج تجزئة دلالية ذات حدود أفضل. أظهرت التقييمات الواسعة على مجموعتي بيانات S3DIS وScanNet أن طريقةنا تحقق أداءً يوازي أو يتفوق على أفضل الطرق الحالية في التجزئة الدلالية، كما تتفوق على الطرق الأساسية في كشف الحواف الدلالية. إصدار الكود: https://github.com/hzykent/JSENet