يستمر التقدم في أحدث التقنيات الخاصة بالتقسيم الدلالي في التحسن من حيث الأداء، مما يؤدي إلى تحقيق تقسيمات أكثر دقة وموثوقية في العديد من التطبيقات المختلفة. ومع ذلك، يُعدّ تكلفة إنشاء التسميات اللازمة لتدريب النماذج عائقًا يحد من هذا التقدم، حيث تتطلب في بعض الأحيان ساعات من العمل اليدوي لصورة واحدة فقط. وبسبب ذلك، تم تطبيق طرق شبه مراقبة على هذه المهمة، بنجاح متفاوت. وتشكل التحديات الرئيسية في أن التحويلات الشائعة المستخدمة في التصنيف شبه المراقب تكون أقل فعالية في تقسيم الدلالة. نقترح آلية جديدة لتحويل البيانات تُسمى ClassMix، التي تُولِّد تحويلات من خلال مزج العينات غير المُعلَّمة، مع الاستفادة من تنبؤات الشبكة لاحترام حدود الكائنات. وقد قمنا بتقييم هذه التقنية في تحويل البيانات على بحثين شائعيين في مجال التقسيم الدلالي شبه المراقب، وتبين أنها تحقق نتائج متقدمة على مستوى التقنية الحالية. وأخيرًا، قمنا أيضًا بدراسات تحليلية موسعة تُقارن بين مختلف القرارات التصميمية ونُظم التدريب المختلفة.