في التصنيف الدلالي، يُطبَّق عادةً تقليل حجم بيانات التدريب بسبب القيود الموارد، أو الحاجة إلى تكييف حجم الصورة بما يتناسب مع مدخلات النموذج، أو تحسين تقنيات تضخيم البيانات. وغالبًا ما يتم استخدام استراتيجيات مختلفة لتقليل حجم بيانات الصورة وبيانات التسميات المُعلَّمة. يؤدي هذا التباين إلى عدم توافق بين الصور الملونة المُقلَّلة والصور التصنيفية المُقلَّلة. وبالتالي، ينخفض أداء التدريب بشكل ملحوظ مع زيادة عامل التقليل. في هذا البحث، ندمج استراتيجيات التقليل بين بيانات الصورة وبيانات التسميات التدريبية. ولتحقيق ذلك، نقترح إطارًا جديدًا لتقليل تسميات الصورة باستخدام التسمية اللينة (soft-labeling)، الذي يُحافظ بشكل أفضل على معلومات التسمية بعد التقليل. وبذلك، نضمن التوافق الكامل بين التسميات اللينة وبيانات الصورة، مع الحفاظ على توزيع النقاط المُختارة. كما يُنتج هذا الاقتراح تسميات موثوقة للطبقات الدلالية التي تُعاني من نقص في التمثيل. في المجمل، يمكّن من تدريب نماذج تنافسية عند دقة منخفضة. تُظهر التجارب أن الاقتراح يتفوق على استراتيجيات التقليل الأخرى. علاوةً على ذلك، تم تحقيق أداء من الطراز الرائد في المعايير المرجعية، مع استخدام موارد حسابية أقل بكثير مقارنة بالأساليب الرائدة. يمكّن هذا الاقتراح من إجراء أبحاث تنافسية في مجال التصنيف الدلالي في ظل قيود الموارد.