تعزيز قدرة الشبكات العصبية العميقة على التعميم في مجالات غير مألوفة أمر حاسم للتطبيقات الحرجة من حيث السلامة في العالم الحقيقي مثل القيادة الذاتية. لمعالجة هذه المشكلة، يقترح هذا البحث خسارة جديدة تسمى خسارة التبييض الاختياري للمثال بهدف تحسين صلابة شبكات التقطيع في المجالات غير المألوفة. نهجنا يقوم بتفكيك الأسلوب الخاص بالمجال والمحتوى الثابت عبر المجالات المُشفر في الإحصاءات من الرتب العليا (أي، تباين الخصائص) لتمثيلات الخصائص ويزيل بشكل انتقائي فقط معلومات الأسلوب التي تتسبب في تحول المجال. كما هو موضح في الشكل 1، توفر طريقتنا تنبؤات معقولة لـ (أ) الصور ذات الإضاءة المنخفضة، (ب) الصور الممطرة، و(ج) الهياكل غير المألوفة. هذه الأنواع من الصور ليست متضمنة في مجموعة البيانات التدريبية، حيث يظهر النموذج الأساسي انخفاضًا كبيرًا في الأداء، بينما لا يحدث ذلك لدينا.كونها بسيطة ومعتبرة فعالة، فإن طريقتنا تحسن صلابة مختلف شبكات الأساس دون زيادة الكلفة الحسابية. نقوم بإجراء تجارب واسعة النطاق في تقسيم المشاهد الحضرية ونظهر تفوق نهجنا على الأعمال السابقة. رمز البرمجيات الخاص بنا متاح على الرابط https://github.com/shachoi/RobustNet.