الحصول على تسميات دقيقة للتقسيم الشريطي (instance segmentation) يعد تحديًا خاصًا بسبب الطبيعة المعقدة للمهمة. يتطلب كل صورة العديد من التسميات، والتي تشمل ليس فقط فئة الكائن ولكن أيضًا حدوده المكانية الدقيقة. هذه المتطلبات تزيد من احتمالية الأخطاء والتناقضات في عمليات التسمية اليدوية والآلية على حد سواء. من خلال محاكاة ظروف الضوضاء المختلفة، نوفر سيناريو واقعي لتقييم قوة وقابلية التعميم لنموذج التقسيم الشريطي في مهمات التقسيم المختلفة، مع تقديم COCO-N و Cityscapes-N. كما نقترح مقياسًا لضوضاء التسمية الضعيفة، والذي يُطلق عليه COCO-WAN، يستخدم نماذج أساسية والتسميات الضعيفة لمحاكاة أدوات التسمية شبه الآلية وأخطائها. تسلط هذه الدراسة الضوء على جودة أقنعة التقسيم التي ينتجها مختلف النماذج وتتحدى فعالية الأساليب الشائعة المصممة للتعامل مع التعلم بوجود ضوضاء في التسميات.