يُعدّ التجزئة الشاذة مهمة حاسمة للتطبيقات الحساسة للسلامة، مثل القيادة الذاتية في المشاهد الحضرية، حيث يهدف الهدف إلى اكتشاف الكائنات التي تقع خارج التوزيع (OOD) والتي لم تُرَ خلال التدريب. والتحدي الأساسي لهذه المهمة يتمثل في التمييز بين العينات الصعبة التي تنتمي إلى التوزيع الداخلي (in-distribution) والعناصر الشاذة (OOD)، وهو ما لم يُناقش بشكل صريح حتى الآن. في هذه الورقة، نقترح منهجية جديدة وبسيطة تُسمى "التوافق يُتمّم الذاكرة" (CosMe) لمعالجة هذا التحدي، مستوحاة من ملاحظة نفسية تفيد بأن الجماعات تؤدي أفضل من الأفراد في مهام الذاكرة. الفكرة الأساسية تتمثل في: 1) إنشاء بنك ذاكرة يتكون من نماذج مسبقة (prototypes) تم استخلاصها من طبقات متعددة لنموذج التجزئة المُدرّب مسبقًا، و2) تدريب نموذج مساعد يقلّد سلوك النموذج المُدرّب مسبقًا، ثم قياس درجة التوافق في السمات المتوسطة لهما كمؤشرات تكميلية تُعزز عمل بنك الذاكرة. تُظهر CosMe كفاءة عالية في التمييز بين الأمثلة الصعبة التي تنتمي إلى التوزيع الداخلي والعينات الشاذة. وتشير النتائج التجريبية على عدة مجموعات بيانات لتجزئة الشذوذ في المشاهد الحضرية إلى أن CosMe تتفوّق على الطرق السابقة بفارق كبير.