Diese Arbeit befasst sich mit dem Problem des semi-überwachten Lernens von Bildklassifizierern. Unser zentrales Erkenntnis ist, dass das Gebiet des semi-überwachten Lernens von den rasch fortschreitenden Entwicklungen im Bereich des selbst-überwachten visuellen Repräsentationslernens profitieren kann. Durch die Vereinigung dieser beiden Ansätze schlagen wir den Rahmen des selbst-überwachten semi-überwachten Lernens vor und nutzen ihn, um zwei neue semi-überwachte Bildklassifikationsmethoden abzuleiten. Wir zeigen die Effektivität dieser Methoden im Vergleich zu sorgfältig justierten Baselines sowie zu bestehenden semi-überwachten Lernmethoden. Anschließend demonstrieren wir, dass unser Ansatz und bestehende semi-überwachte Methoden gemeinsam trainiert werden können, was zu einem neuen Stand der Technik im semi-überwachten ILSVRC-2012 mit 10 % der Labels führt.