Wir schlagen Dense FixMatch, eine einfache Methode für das online-semi-supervised Lernen dichter und strukturierter Vorhersageaufgaben, vor, die Pseudolabeling und Konsistenzregularisierung durch starke Datenaugmentation kombiniert. Durch die Hinzufügung einer Matching-Operation auf den Pseudolabels erweitern wir die Anwendbarkeit von FixMatch auf semi-supervised Lernprobleme jenseits der Bildklassifikation. Dadurch können wir weiterhin die volle Stärke von Datenaugmentierungs-Pipelines, einschließlich geometrischer Transformationen, nutzen. Wir evaluieren unsere Methode auf semi-supervised semantischer Segmentierung anhand von Cityscapes und Pascal VOC unter verschiedenen Anteilen an gelabelten Daten und führen eine Analyse der Entwurfsentscheidungen sowie Hyperparameter durch. Dense FixMatch verbessert die Ergebnisse signifikant gegenüber dem überwachten Lernen mit lediglich gelabelten Daten und nähert sich der Leistung an, die mit nur einem Viertel der gelabelten Proben erreicht wird.