تتطلب التصنيف الشامل شبه المُراقب من النموذج نقل معلومات التسمية بشكل فعّال من الصور المُعلَّمة المحدودة إلى الصور غير المُعلَّمة. ويُعد التحدي الرئيسي لهذه المهمة التي تعتمد على التنبؤ بمستوى كل بكسل هو التباين الكبير بين الفئات، أي أن المناطق المنتمية إلى نفس الفئة قد تظهر مظهرًا مختلفًا جدًا حتى داخل نفس الصورة. وسيؤدي هذا التنوّع إلى صعوبة في نقل التسميات من بكسل إلى بكسل. ولحل هذه المشكلة، نقترح منهجية جديدة لتنظيم توزيع الميزات داخل الفئة، بهدف تقليل صعوبة نقل التسميات. وبشكل محدد، تُشجع منهجيتنا على التماثل بين التنبؤ الناتج عن مُقدِّر خطي ونتيجة مُقدِّر يعتمد على النماذج (البروتوتايب)، مما يشجع ضمنيًا على قرب الميزات المنتمية إلى نفس الفئة الوهمية من على الأقل نموذج داخلي فئة واحد، مع الحفاظ على بُعد هذه الميزات عن النماذج الأخرى بين الفئات. وبإضافة عمليات CutMix واستراتيجية مُحكمة لإدارة النماذج، نُنشئ خوارزمية للتصنيف الشامل شبه المُراقب تُظهر أداءً متفوّقًا على الطرق الرائدة في المجال، وذلك وفقًا لتقييم تجريبي واسع النطاق على مجموعتي بيانات Pascal VOC وCityscapes.