Pseudo-Überwachung gilt als zentrale Idee im halbüberwachten Lernen für die semantische Segmentierung, wobei stets ein Kompromiss zwischen der Nutzung ausschließlich hochwertiger Pseudolabels und der Ausnutzung aller Pseudolabels besteht. Um diesem Problem zu begegnen, schlagen wir einen neuen Lernansatz vor, genannt konservativ-progressives kooperatives Lernen (Conservative-Progressive Collaborative Learning, CPCL). Dabei werden zwei Vorhersage-Netzwerke parallel trainiert, wobei die Pseudouberwachung auf sowohl der Übereinstimmung als auch der Abweichung der beiden Vorhersagen basiert. Ein Netzwerk sucht über die Schnittmengenüberwachung gemeinsame Strukturen und wird durch hochwertige Labels supervidiert, um eine zuverlässigere Überwachung zu gewährleisten. Das andere Netzwerk hingegen bewahrt Unterschiede mittels Vereinigungsüberwachung und wird durch alle Pseudolabels supervidiert, um mit Neugier weiterzuforschen. Auf diese Weise wird eine Kooperation zwischen konservativer Evolution und progressiver Exploration erreicht. Um die Auswirkungen zweifelhafter Pseudolabels zu verringern, wird der Verlust dynamisch nach der Vorhersagekonfidenz neu gewichtet. Umfangreiche Experimente zeigen, dass CPCL eine state-of-the-art-Leistung für das halbüberwachte Lernen der semantischen Segmentierung erzielt.