لا تزال عملية إنشاء كميات كافية من البيانات المُصنّفة بشكل فعّال مشكلة رئيسية في التعلم العميق، خاصة في مهام تقسيم الصور التي تتطلب وقتًا وجهدًا كبيرين في التصنيف. تتناول هذه الدراسة هذه المشكلة في بيئة محدودة الموارد، خالية من مجموعات بيانات واسعة أو نماذج سابقة. نقدّم طريقة جديدة تُسمّى "أقنعة التناقض" (Inconsistency Masks - IM)، والتي تقوم بتصفية عدم اليقين في أزواج الصورة-الوسوم الاصطناعية، مما يُحسّن بشكل كبير جودة التقسيم، ويتفوق على التقنيات التقليدية للتعلم شبه المُراقب. وباستخدام IM، نحقق نتائج تقسيم قوية باستخدام ما لا يزيد عن 10% من البيانات المصنفة، على أربع مجموعات بيانات متنوعة، كما تُظهر الفائدة من دمجها مع تقنيات أخرى، مما يدل على تطبيقات واسعة النطاق. وتميّزًا على مجموعة بيانات ISIC 2018، تفوقت ثلاث من نماذجنا الهجينة حتى على النماذج المدربة على مجموعة البيانات الكاملة المصنفة. كما نقدّم تحليلًا مقارنًا مفصلاً للأساليب الشائعة للتعلم شبه المُراقب، جميعها تحت ظروف بداية موحدة، لتسليط الضوء على كفاءة ومتانة نهجنا. يمكن الوصول إلى الشيفرة الكاملة من خلال: https://github.com/MichaelVorndran/InconsistencyMasks