Neuere Fortschritte in der halbüberwachten semantischen Segmentierung beruhen stark auf Pseudolabeling, um die begrenzte Menge an gelabelten Daten auszugleichen, wobei jedoch das wertvolle relationale Wissen zwischen semantischen Konzepten außer Acht gelassen wird. Um diese Lücke zu schließen, entwickeln wir LogicDiag, einen neuartigen neural-logic-ansatz für halbüberwachtes Lernen. Unser zentrales Insight ist, dass Konflikte innerhalb von Pseudolabels, die durch symbolisches Wissen identifiziert werden, starke, jedoch häufig übersehene Lernsignale darstellen können. LogicDiag löst solche Konflikte durch logikinduzierte Diagnosen und deduktives Schließen, wodurch fehlerhafte Pseudolabels (potenziell) korrigiert werden können und somit das bekannte Problem der Fehlerakku­mulation effektiv gemildert wird. Wir demonstrieren die praktische Anwendung von LogicDiag in datenintensiven Segmentierungsszenarien, bei denen wir die strukturierte Abstraktion semantischer Konzepte als Satz logischer Regeln formalisieren. Umfangreiche Experimente an drei etablierten Benchmarks für halbüberwachte semantische Segmentierung belegen die Wirksamkeit und Allgemeingültigkeit von LogicDiag. Darüber hinaus unterstreicht LogicDiag die vielversprechenden Möglichkeiten, die sich aus der systematischen Integration symbolischer Reasoning-Methoden in die dominierenden statistischen, neuronalen Lernansätze ergeben.