أصبح تحسين نتائج تقسيم الحدود موضوعًا يجذب اهتمامًا متزايدًا في مجال التصنيف الدلالي. وبما أن الطرق الشائعة الحالية تعتمد عادةً على السياق على المدى الطويل، فإن إشارات الحدود تصبح ضعيفة في فضاء الميزات، مما يؤدي إلى نتائج سيئة في تقسيم الحدود. في هذه الورقة، نقترح خسارة حدودية شرطية جديدة (CBL) للتصنيف الدلالي بهدف تحسين أداء الحدود. تعتمد خسارة CBL على هدف تحسين فريد لكل بكسل حدودي، مع الأخذ بعين الاعتبار الجيران المحيطين به. ويُعد تحسين CBL الشرطي سهلًا وفعالًا في الوقت نفسه. على النقيض من ذلك، تتميز معظم الطرق السابقة التي تراعي الحدود بوجود أهداف تحسين معقدة أو قد تؤدي إلى تناقضات محتملة مع مهمة التصنيف الدلالي. وبشكل خاص، تُعزز CBL الاتساق الداخلي بين الفئات والتمايز بين الفئات، من خلال جذب كل بكسل حدودي نحو مركز الفئة المحلية الفريدة الخاصة به، ودفعه بعيدًا عن الجيران الذين ينتمون إلى فئات مختلفة. علاوةً على ذلك، تقوم CBL بتصفية المعلومات الضوضائية والخاطئة للحصول على حدود دقيقة، نظرًا لمشاركة الجيران المحيطة فقط إذا كانت مصنفة بشكل صحيح في عملية حساب الخسارة. تُعد خسارة CBL حلًا جاهزًا للتركيب (plug-and-play) يمكن استخدامه لتحسين أداء تقسيم الحدود في أي شبكة تصنيف دلالي. قمنا بإجراء تجارب واسعة على مجموعات بيانات ADE20K وCityscapes وPascal Context، وأظهرت النتائج أن تطبيق CBL على شبكات تصنيف دلالي شائعة مختلف يمكنه تحسين أداء mIoU وScore F للحدود بشكل ملحوظ.