تقدم هذه الدراسة منهجًا جديدًا للتحليل الشكلي شبه المُعلَّم. ويعتمد العنصر الأساسي في هذا المنهج على وحدة التعلم التمييزي (contrastive learning) التي تُجبر شبكة التحليل الشكلي على إنتاج تمثيلات مميزة على مستوى البكسل متشابهة للعينات ذات الفئة نفسها عبر جميع بيانات المجموعة. لتحقيق ذلك، نحافظ على بنك ذاكرة يتم تحديثه باستمرار بVectors تمثيلية ذات صلة وعالية الجودة مستمدة من البيانات المُعلَّمة. وفي التدريب المُتكامل (end-to-end)، يتم تحسين الميزات المستمدة من البيانات المُعلَّمة وغير المُعلَّمة بحيث تصبح مشابهة للعينات ذات الفئة نفسها الموجودة في بنك الذاكرة. ويتفوق هذا المنهج على أحدث النماذج المُتقدمة في مجال التحليل الشكلي شبه المُعلَّم والاندماج الشبه المُعلَّم بين المجالات على معايير عامة معروفة، مع تحقيق تحسينات أكبر في السيناريوهات الأكثر تحديًا، أي عند توفر كميات قليلة جدًا من البيانات المُعلَّمة.https://github.com/Shathe/SemiSeg-Contrastive