Semi-supervised Learning stellt ein herausforderndes Problem dar, das darauf abzielt, ein Modell durch Lernen aus einer begrenzten Anzahl von gelabelten Beispielen zu konstruieren. Zahlreiche Methoden wurden vorgeschlagen, um dieses Problem anzugehen, wobei die meisten sich darauf konzentrieren, die Konsistenz der Vorhersagen unlabeleder Instanzen allein zur Regularisierung von Netzwerken zu nutzen. Allerdings führt die getrennte Behandlung von gelabelten und unlabeled Daten oft dazu, dass umfangreiche vorherige Kenntnisse, die aus den gelabelten Beispielen erlernt wurden, vernachlässigt werden, und es gelingt nicht, die Merkmalsinteraktion zwischen gelabelten und unlabeled Bildpaaren zu erschließen. In diesem Artikel stellen wir eine neuartige Methode für das semi-supervised semantische Segmentieren namens GuidedMix-Net vor, die gelabelte Informationen nutzt, um das Lernen unlabeleder Instanzen zu leiten. Konkret führen wir zunächst ein Merkmalsausrichtungsziel zwischen gelabelten und unlabeled Daten ein, um potenziell ähnliche Bildpaare zu erkennen, und generieren daraus gemischte Eingaben. Der vorgeschlagene Ansatz des gegenseitigen Informationsübertragungsmechanismus (MITrans), basierend auf der Clusterannahme, zeigt sich als leistungsfähiges Wissensmodul zur weiteren schrittweisen Verbesserung der Merkmale unlabeleder Daten im gemischten Datenspace. Um die Vorteile der gelabelten Beispiele zu nutzen und das Lernen unlabeleder Daten zu leiten, schlagen wir zudem ein Maskengenerierungsmodul vor, das hochwertige Pseudomaske für die unlabeleden Daten erzeugt. In Kombination mit dem überwachten Lernen für gelabelte Daten wird die Vorhersage für unlabeled Daten gemeinsam mit den aus den gemischten Daten generierten Pseudomaske gelernt. Umfangreiche Experimente auf PASCAL VOC 2012, PASCAL-Context und Cityscapes belegen die Wirksamkeit unseres GuidedMix-Net, das eine konkurrenzfähige Segmentiergenauigkeit erzielt und die mIoU im Vergleich zu vorherigen State-of-the-Art-Ansätzen um +7 % signifikant verbessert.