في هذه الورقة، ندرس مشكلة التجزئة الدلالية شبه المُشرَّفة من خلال استكشاف البيانات المُعلَّمة والبيانات الإضافية غير المُعلَّمة. نُقدِّم نهجًا جديدًا للتنظيم المستمر، يُسمَّى التوجيه الوهمي المتقاطع (CPS). يُطبِّق هذا النهج اتساقًا بين شبكتين لتجزئة، تم تشويشهما ببدء تشغيل مختلفين لنفس الصورة المدخلة. تُستخدم خريطة التسمية الواحدة-الصحيحة الوهمية، التي تُخرِجها إحدى الشبكتين المشوَّشَتين، لتوجيه الشبكة الأخرى باستخدام خسارة التباديل التقليدية (cross-entropy)، والعكس صحيح. يلعب اتساق CPS دورين رئيسيين: تشجيع التشابه العالي بين تنبؤات الشبكتين المشوَّشَتين لنفس الصورة المدخلة، وتوسيع بيانات التدريب باستخدام البيانات غير المُعلَّمة المُسمَّاة بعلامات وهمية. أظهرت نتائج التجارب أن نهجنا يحقق أفضل أداء حاليًا في التجزئة شبه المُشرَّفة على مجموعتي بيانات Cityscapes وPASCAL VOC 2012. يمكن الوصول إلى الكود من خلال الرابط: https://git.io/CPS.