نقدم خطة جديدة لتحسين الثقة تُحسّن من التسميات الوهمية في التصنيف الشكلي شبه المُراقب. على عكس الطرق الحالية التي تقوم بتصفية البكسلات ذات التنبؤات منخفضة الثقة بشكل منفصل، تعتمد طريقةنا على الارتباط المكاني للعلامات في خرائط التصنيف من خلال تجميع البكسلات المجاورة واعتبار تسمياتها الوهمية بشكل جماعي. وباستخدام هذه المعلومات السياقية، تُعزز طريقةنا، التي أطلقنا عليها اسم S4MC، كمية البيانات غير المُعلّمة المستخدمة في التدريب مع الحفاظ على جودة التسميات الوهمية، وكل ذلك بحجم تكلفة حوسبة ضئيل جدًا. من خلال تجارب واسعة على المعايير القياسية، نُظهر أن S4MC تتفوق على أحدث الطرق المُتطورة في التعلم شبه المُراقب، مما يُقدّم حلاً واعدًا لتقليل تكلفة الحصول على التسميات الكثيفة. على سبيل المثال، حققت S4MC تحسنًا قدره 1.39 نقطة في mIoU مقارنة بالأساليب السابقة على مجموعة بيانات PASCAL VOC 12 باستخدام 366 صورة مُعلّمة. يمكن الوصول إلى الكود لإعادة إنتاج تجاربنا من خلال الرابط: https://s4mcontext.github.io/