تتعثر الشبكات الحديثة لاكتشاف الأشياء وتقسيم النماذج عند تحديد الأشخاص في المشاهد المزدحمة أو التي تعاني من التعتيم الشديد. ومع ذلك، هذه هي غالبًا السيناريوهات التي نحتاج فيها إلى أن تعمل مكتشفاتنا بشكل جيد. قد تناول العديد من الأعمال هذا المشكلة من خلال تحسينات محورها النموذج. رغم إظهار فعاليتها إلى حد ما، فإن هذه الطرق الإشرافية ما زالت بحاجة إلى أمثلة ذات صلة كافية (أي أشخاص معتمين) أثناء التدريب لتعظيم هذه التحسينات. في عملنا، نقترح طريقة محورها البيانات بسيطة ولكنها فعالة، وهي تقنية "نسخ ولصق التعتيم" (Occlusion Copy & Paste)، لإدخال أمثلة معتمة للنماذج أثناء التدريب - نقوم بتكييف نهج التعزيز العام "نسخ ولصق" لمعالجة مشكلة التعتيم ضمن نفس الفئة. تحسن هذه التقنية أداء تقسيم النماذج في السيناريوهات المعتمة "مجانية" فقط عن طريق الاستفادة من قواعد بيانات كبيرة الحجم موجودة مسبقًا، دون الحاجة إلى بيانات إضافية أو تصنيف يدوي. في دراسة مبدئية، نوضح ما إذا كانت الإضافات المقترحة المختلفة لتقنية "نسخ ولصق" التعزيز تسهم بالفعل في تحقيق أداء أفضل. يمكن تطبيق تقنية تعزيز "نسخ ولصق التعتيم" بسهولة مع أي نماذج: من خلال تطبيقها ببساطة على نموذج عام حديث لتقسيم النماذج دون تصميم هندسي صريح للتعامل مع التعتيم، حققنا أداءً رائدًا في تقسيم النماذج على مجموعة بيانات OCHuman الصعبة للغاية. يمكن الوصول إلى الكود المصدر عبر الرابط:https://github.com/levan92/occlusion-copy-paste.