Der Stand der Technik in der semantischen Segmentierung entwickelt sich stetig weiter und führt zu präziseren und zuverlässigeren Segmentierungen in einer Vielzahl unterschiedlicher Anwendungen. Dennoch ist der Fortschritt durch die hohen Kosten zur Erzeugung von Labels für das Training eingeschränkt, die gelegentlich mehrere Stunden manueller Arbeit für ein einzelnes Bild erfordern. Aufgrund dieser Herausforderung wurden semi-supervised Methoden auf dieses Problem angewandt, mit jeweils unterschiedlichem Erfolg. Ein zentrales Problem besteht darin, dass gängige Daten-Augmentierungen, die in semi-supervised Klassifikationsaufgaben erfolgreich eingesetzt werden, für die semantische Segmentierung weniger effektiv sind. Wir stellen eine neuartige Daten-Augmentierungsmethode namens ClassMix vor, die durch Mischen unlabeleder Beispiele erfolgt und dabei die Vorhersagen des Netzwerks nutzt, um Objektränder zu respektieren. Wir evaluieren diese Augmentierungstechnik an zwei etablierten Benchmarks für semi-supervised semantische Segmentierung und zeigen, dass sie state-of-the-art Ergebnisse erzielt. Schließlich führen wir umfassende Ablation Studies durch, um verschiedene Design-Entscheidungen und Trainingsregime miteinander zu vergleichen.