رغم أن التجزئة الدلالية المُراقبة بشكل ضعيف باستخدام علامات على مستوى الصورة فقط (WSSS-IL) قد تكون مفيدة بشكل كبير، إلا أن أداؤها المنخفض وتعقيد تنفيذها لا يزالان يحدان من تطبيقاتها. والسببان الرئيسيان هما: (أ) ظاهرة عدم الكشف، و(ب) ظاهرة الكشف الخاطئ: (أ) فإن خرائط التنشيط للصفة التي تم تحسينها من خلال الطرق الحالية لـ WSSS-IL لا تزال تمثل فقط مناطق جزئية بالنسبة للكائنات ذات الحجم الكبير، و(ب) بالنسبة للكائنات الصغيرة، فإن التنشيط الزائد يؤدي إلى انحرافها عن حدود الكائن. نقترح طريقة RecurSeed التي تقلل بشكل متكرر من كليهما (عدم الكشف والكشف الخاطئ) من خلال تكرار تفاعلي، مما يمكّن من العثور ضمنياً على نقطة توازن مثلى تقلل من كلا النوعين من الأخطاء. كما نقترح منهجاً جديداً للتكبير البيانات (DA) يُسمى EdgePredictMix، الذي يعزز التعبير عن حافة الكائن من خلال استغلال معلومات الفرق في الاحتمال بين بكسلات متجاورة عند دمج نتائج التجزئة، وبالتالي يكمّل النقص في الطرق الحالية لتكبير البيانات عند تطبيقها على WSSS. وقد حققنا أداءً متميزاً جديداً على كلا معياري PASCAL VOC 2012 وMS COCO 2014 (VOC val: 74.4%، COCO val: 46.4%). يمكن الوصول إلى الكود عبر الرابط: https://github.com/shjo-april/RecurSeed_and_EdgePredictMix.