تظل الطرق المجمعة للفهم الدلالي القائم على التعلم العميق غير مُستكشفة بشكل كافٍ على الرغم من الانتشار الواسع للمعايير التنافسية والتطبيقات اللاحقة. في هذه الدراسة، نستعرض ونُقيّم منهجًا شائعًا للدمج يتمثل في دمج تنبؤات نماذج متعددة، تم تدريبها بشكل مستقل ومتقدم، أثناء الاختبار على مجموعات بيانات شهيرة. علاوةً على ذلك، نقترح طريقة جديدة مستوحاة من تقنية التقوية (boosting) لتجميع الشبكات بشكل تسلسلي، والتي تتفوق بشكل كبير على النموذج الأساسي للدمج البسيط. تعتمد هذه الطريقة على تدريب سلسلة من النماذج، حيث تُستخدم احتمالات الفئة المُتنبأ بها من النموذج السابق كمدخل إضافي. ويُعدّ أحد المزايا الرئيسية لهذه الطريقة هو تمكينها من تفويض الحوسبة الديناميكية، مما يساعد في نشر النماذج على الأجهزة المحمولة. كما يتيح لنا الكتلة المُقترحة الجديدة، المُسمّاة ADaptive modulatiON (ADON)، تنظيم الميزات المكانية في طبقات متعددة باستخدام احتمالات المرحلة السابقة. ولا تتطلب هذه الطريقة استراتيجيات معقدة لاختيار العينات أثناء التدريب، وتعمل مع العديد من الهياكل العصبية المختلفة. ونُحقّق تحسنًا كبيرًا مقارنةً بالنموذج الأساسي للدمج البسيط على مجموعات بيانات صعبة مثل Cityscapes وADE-20K وCOCO-Stuff وPASCAL-Context، ونُسجّل حالة جديدة من أفضل الأداء في المجال.