أحرزت الدراسات الحديثة تقدماً كبيراً في استغلال المعلومات السياقية العالمية لتقسيم الدلالة، بما في ذلك توسيع مجال الاستقبال ودمج تمثيلات الميزات الهرمية. في هذه الورقة، نتجاوز السياق العالمي ونستكشف تمثيلاً دقيقاً باستخدام الميزات المتزامنة من خلال تقديم نموذج الميزات المتزامنة (Co-occurrent Feature Model)، والذي يتنبأ بتوزيع الميزات المتزامنة لهدف معين. وللاستفادة من السياق الدلالي في الميزات المتزامنة، قمنا ببناء وحدة الميزات المتزامنة المجمعة (Aggregated Co-occurrent Feature (ACF) Module) من خلال دمج احتمالية الميزة المتزامنة مع السياق المتزامن. وتتعلم وحدة ACF تمثيلاً فردياً متماسكاً فضائياً لالتقاط معلومات السياق المتزامنة عبر المشهد بالكامل. وتحسّن طريقة عملنا نتائج التقسيم باستخدام الشبكة العميقة المُتعددة الطبقات (FCN)، وتُظهر أداءً متفوقاً بـ 54.0% من mIoU على مجموعة بيانات Pascal Context، و87.2% من mIoU على مجموعة بيانات Pascal VOC 2012، و44.89% من mIoU على مجموعة بيانات ADE20K. وسيكون الشفرة المصدرية والنموذج الكامل متاحين للجمهور عند النشر.