In diesem Artikel untersuchen wir das semi-supervised semantische Segmentierungsproblem durch die Nutzung sowohl markierter Daten als auch zusätzlicher unmarkierter Daten. Wir stellen einen neuen Ansatz zur Konsistenzregularisierung vor, namens Cross Pseudo Supervision (CPS). Unser Ansatz erzwingt Konsistenz zwischen zwei Segmentierungsnetzwerken, die mit unterschiedlicher Initialisierung für dasselbe Eingabebild getestet werden. Die pseudo-one-hot-Markierungskarte, die von einem der perturbierten Segmentierungsnetzwerke ausgegeben wird, dient zur Supervision des anderen Netzwerks mittels der herkömmlichen Kreuzentropieverlustfunktion, und umgekehrt. Die CPS-Konsistenz erfüllt zwei Aufgaben: Sie fördert eine hohe Ähnlichkeit der Vorhersagen der beiden perturbierten Netzwerke für dasselbe Eingabebild und erweitert die Trainingsdaten durch die Nutzung unmarkierter Daten mit pseudo-markierten Etiketten. Experimentelle Ergebnisse zeigen, dass unser Ansatz die derzeit beste Leistung bei der semi-supervised Segmentierung auf den Datensätzen Cityscapes und PASCAL VOC 2012 erzielt. Der Quellcode ist unter https://git.io/CPS verfügbar.