تُعاني الدراسات الحالية في التجزئة الدلالية ذات التوجيه الضعيف (WSSS) التي تعتمد على التوجيه الضعيف على مستوى الصورة من عدة قيود: تغطية ضعيفة للكائنات، وحدود كائنات غير دقيقة، ووجود بكسلات متزامنة من كائنات غير مستهدفة. لتجاوز هذه التحديات، نقترح إطارًا جديدًا يُسمى "الإشراف الافتراضي الصريح على البكسل" (EPS)، الذي يتعلم من ملاحظات على مستوى البكسل من خلال دمج نوعين من التوجيه الضعيف: يوفر التسمية على مستوى الصورة تحديد هوية الكائن عبر خريطة التوجيه وخريطة البارزة الناتجة عن نموذج كشف البارزة الجاهز، بينما توفر خريطة البارزة غنىً في حدود الكائنات. وقد صممنا استراتيجية تدريب مشتركة للاستفادة الكاملة من العلاقة المكملة بين المعلومات المتوفرة من كلا المصدرَين. يمكن لطريقتنا الحصول على حدود كائنات دقيقة وحذف البكسلات المتزامنة، مما يُحسّن بشكل كبير جودة الخرائط الافتراضية (pseudo-masks). أظهرت النتائج التجريبية أن الطريقة المقترحة تتفوّق بشكل ملحوظ على الطرق الحالية من خلال معالجة التحديات الأساسية في WSSS، وتحقيق أفضل أداء مُسجّل حتى الآن على كلا مجموعتي بيانات PASCAL VOC 2012 وMS COCO 2014.