我们提出了一种新颖的置信度优化方法，用于提升半监督语义分割中的伪标签质量。与现有方法仅孤立地过滤低置信度预测像素不同，我们的方法通过将邻近像素分组，并综合考虑其伪标签，充分利用了分割图中标签的空间相关性。借助这种上下文信息，所提出的S4MC方法在几乎不增加计算开销的前提下，显著提升了训练过程中可利用的未标注数据量，同时保持了伪标签的高质量。在多个标准基准上的大量实验表明，S4MC优于现有的最先进半监督学习方法，为降低密集标注的成本提供了极具前景的解决方案。例如，在PASCAL VOC 12数据集上，仅使用366张标注图像时，S4MC相较于先前最优方法实现了1.39的mIoU提升。实验代码已公开，可通过 https://s4mcontext.github.io/ 获取以复现结果。