يُعدّ التجزئة الشاملة المتكيفة حسب المجال واعدًا في حل مشكلة الحالات الحادة الطويلة في فهم المشاهد الطبيعية. وقد عالجت الطرق الرائدة السابقة هذه المشكلة من خلال الاتساق بين المهام، وتحسين دقيق على مستوى النظام، وتحسين يدوي لتنبؤات المعلم. على النقيض من ذلك، نقترح بناءً على القدرة المميزة لمحولات الأقنعة في تقدير عدم اليقين في تنبؤاتها الخاصة. تعتمد طريقةنا على تجنب تضخيم الضوضاء من خلال الاستفادة من درجة الثقة الدقيقة في تنبؤات المعلم الشاملة. وبشكل خاص، نقوم بتعديل دالة الخسارة باستخدام درجة الثقة على مستوى القناع، ونُقلّل من عملية التغذية العكسية في البكسلات التي يكون فيها تنبؤ المعلم غير مؤكد أو يكون تنبؤ الطالب مؤكدًا. أظهرت التقييمات التجريبية على المعايير القياسية تأثيرًا كبيرًا للتقنيات المقترحة في الاختيار. ونُعلن عن تحقيق مؤشر PQ بلغ 47.4 في مهمة Synthia إلى Cityscapes، وهو ما يعادل تحسنًا بنسبة 6.2 نقطة مئوية مقارنة بالحالة الراهنة. يمكن الاطلاع على الشفرة المصدرية عبر الرابط: https://github.com/helen1c/MC-PanDA.