التمييز الدلالي لصور RGB-حرارية هو حل محتمل لتحقيق فهم دلالي موثوق للمناظر في ظروف الطقس والإنارة الصعبة. ومع ذلك، ركزت الدراسات السابقة بشكل أساسي على تصميم وحدة تكامل متعددة الأوضاع دون مراعاة طبيعة المدخلات المتعددة الأوضاع. لذلك، أصبحت الشبكات عرضة بسهولة للاعتماد الزائد على وضعية واحدة، مما يجعل من الصعب تعلم التمثيلات المكملة والمعنوية لكل وضعية. في هذا البحث، نقترح 1) استراتيجية التغطية العشوائية المكملة لصور RGB-T و2) خسارة التقطير الذاتي بين الوضعيات المدخلية النظيفة والمغطاة. تعمل الاستراتيجية المقترحة للتغطية على منع الاعتماد الزائد على وضعية واحدة. كما تحسن دقة ومتانة الشبكة العصبية عن طريق إجبار الشبكة على تقسيم وتقييم الكائنات حتى عندما تكون إحدى الوضعيات متاحة جزئياً فقط. بالإضافة إلى ذلك، تشجع الخسارة الذاتية المقترحة للتكثيف الشبكة على استخراج التمثيلات المكملة والمعنوية من وضعية واحدة أو وضعيات مكملة مغطاة. بناءً على الطريقة المقترحة، حققنا أداءً يتفوق على أفضل ما سبق في ثلاثة مقاييس للمقارنة في مجال التمييز الدلالي لصور RGB-T. يمكن الوصول إلى شفرتنا المصدر من خلال الرابط: https://github.com/UkcheolShin/CRM_RGBTSeg.