L’état de l’art en segmentation sémantique progresse constamment, entraînant des résultats plus précis et fiables dans de nombreuses applications. Toutefois, cette évolution est freinée par le coût élevé de la génération des étiquettes nécessaires à l’entraînement, qui peut parfois nécessiter des heures de travail manuel pour une seule image. À cause de cela, des méthodes semi-supervisées ont été appliquées à cette tâche, avec des succès variables. Un défi majeur réside dans le fait que les augmentations classiques utilisées en classification semi-supervisée sont moins efficaces pour la segmentation sémantique. Nous proposons un nouveau mécanisme d’augmentation de données appelé ClassMix, qui génère des augmentations en combinant des échantillons non étiquetés, en exploitant les prédictions du réseau afin de préserver les frontières des objets. Nous évaluons cette technique d’augmentation sur deux benchmarks courants en segmentation sémantique semi-supervisée, montrant qu’elle atteint des résultats de pointe. Enfin, nous présentons également des études d’ablation approfondies comparant différentes décisions architecturales et régimes d’entraînement.