في الآونة الأخيرة، تم تحقيق تقدم كبير في مجال التجزئة الدلالية. ومع ذلك، فإن نجاح التجزئة الدلالية المُراقبة يعتمد عادةً على كمية كبيرة من البيانات المُعلَّمة، والتي تُعدّ مكلفة وطويلة الأمد في الحصول عليها. مستوحى من النجاح الذي حققته أساليب التعلم شبه المُراقب في تصنيف الصور، نقترح في هذا العمل إطارًا بسيطًا ولكن فعّالًا للتعلم شبه المُراقب في التجزئة الدلالية. نُظهر أن التفاصيل تُحدث الفرق: فمجموعة من التقنيات البسيطة في التصميم والتدريب يمكن أن تُحسّن بشكل ملحوظ أداء التجزئة الدلالية شبه المُراقبة. فالمُشاريع السابقة [3, 27] فشلت في استخدام التكبير القوي (strong augmentation) بشكل فعّال في تعلم التسميات الوهمية (pseudo labels)، نظرًا لأن التغير الكبير في التوزيع الناتج عن التكبير القوي يُعطل إحصائيات التطبيع الدفعي (batch normalisation). ولحل هذه المشكلة، قمنا بتصميم نوع جديد من التطبيع الدفعي يُسمى التطبيع الدفعي المُخصص للتوزيع (Distribution-Specific Batch Normalization - DSBN)، وبيّنّا أهمية استخدام التكبير القوي في التجزئة الدلالية. علاوةً على ذلك، صممنا خسارة ذات تصحيح ذاتي (self-correction loss) فعّالة في مقاومة الضوضاء. وأجرينا سلسلة من الدراسات التحليلية (ablation studies) لإثبات فعالية كل مكوّن من مكونات النموذج. وقد حقق نهجنا نتائج رائدة في مجال التجزئة الدلالية شبه المُراقبة على مجموعتي بيانات Cityscapes وPascal VOC.