تعود نجاح نماذج التجزئة الدلالية القياسية إلى قواعد بيانات مُختارة بعناية وتحتوي على مجموعة ثابتة من الفئات الدلالية، دون أخذ في الاعتبار إمكانية تحديد الكائنات المجهولة من فئات جديدة. تعاني الطرق الحالية للكشف عن القيم الشاذة من قلة السلاسة ونقص خاصية "كينونة الكائن" في تنبؤاتها، ناتجة عن قيود نموذج التصنيف بالبكسل الفردي. علاوةً على ذلك، فإن التدريب الإضافي للكشف عن القيم الشاذة يؤدي إلى تدهور أداء الفئات المعروفة. في هذه الورقة، نستكشف نموذجًا آخر يعتمد على التصنيف على مستوى المناطق، بهدف تحسين تجزئة الكائنات المجهولة. نوضح أن استعلامات الكائنات في تصنيف القناع تميل إلى التصرف ك classifiers من نوع "واحد مقابل الجميع". استنادًا إلى هذا الاكتشاف، نقترح دالة جديدة لتقييم القيم الشاذة تُسمى RbA، بتعريف حدث كون الكائن شاذًا على أنه الرفض من قِبل جميع الفئات المعروفة. تُظهر تجاربنا الواسعة أن تصنيف القناع يُحسّن أداء الطرق الحالية للكشف عن القيم الشاذة، وأن أفضل النتائج تُحقَّق باستخدام RbA المقترحة. كما نقترح دالة موضوعية لتحسين RbA باستخدام أدنى مستوى من التدريب على القيم الشاذة. وعند إجراء تحسين دقيق إضافي باستخدام القيم الشاذة، يتحسن الأداء في التعرف على الكائنات المجهولة، وخلافًا للطرق السابقة، لا يؤدي ذلك إلى تدهور أداء الكائنات المألوفة.