بينما أصبحت الشبكات ذات التدريب المُراقب العميق شائعة في الأدبيات الحديثة، فإنها تُطبّق في الغالب نفس الهدف التعلّمي على جميع الطبقات الانتقالية، رغم اختلاف قدراتها على تمثيل المعلومات. في هذه الورقة، نقترح نموذج التصنيف الدلالي المُراقب الهرمي (HS3)، وهو خطة تدريب تُراقب الطبقات المتوسطة في شبكة التصنيف لتعلم تمثيلات ذات معنى من خلال تغيير تعقيد المهمة. ولضمان تحقيق توازن متسق بين الأداء ودرجة التعقيد عبر جميع طبقات الشبكة، نُحدِّد مجموعات مختلفة من مجموعات الفئات (class clusters) لضبط كل طبقة انتقالية في الشبكة. علاوةً على ذلك، نصمم إطارًا للدمج يُسمى HS3-Fuse، يُجمّع الخصائص الهرمية الناتجة عن هذه الطبقات، مما يوفر سياقات دلالية غنية ويُعزز التصنيف النهائي. أظهرت التجارب الواسعة أن نموذج HS3 المقترح يتفوق بشكل ملحوظ على التدريب العميق القياسي دون أي تكلفة إضافية أثناء الاستدلال. كما أن الإطار المقترح HS3-Fuse يُحسّن التنبؤات التصنيفية ويحقق نتائج رائدة على معيارين كبيرين للتصنيف: NYUD-v2 وCityscapes.