Les avancées récentes en segmentation sémantique semi-supervisée s’appuient fortement sur l’étiquetage par pseudo-étiquettes afin de compenser le manque de données étiquetées, tout en négligeant les connaissances relationnelles précieuses entre les concepts sémantiques. Pour combler cet écart, nous proposons LogicDiag, un nouveau cadre d’apprentissage semi-supervisé hybride neuronal-logique. Notre idée centrale repose sur l’observation que les conflits présents dans les pseudo-étiquettes, identifiés grâce à des connaissances symboliques, peuvent servir de signaux d’apprentissage puissants mais largement ignorés. LogicDiag résout ces conflits par un raisonnement fondé sur des diagnostics induits par la logique, permettant ainsi la correction (potentielle) des pseudo-étiquettes erronées, et contribuant ainsi à atténuer le problème bien connu de l’accumulation d’erreurs. Nous illustrons l’application pratique de LogicDiag dans un contexte de segmentation exigeant de grandes quantités de données, où nous formalisons l’abstraction structurée des concepts sémantiques sous forme d’un ensemble de règles logiques. Des expériences étendues sur trois benchmarks standards de segmentation sémantique semi-supervisée démontrent l’efficacité et la généralité de LogicDiag. En outre, ce travail met en lumière les perspectives prometteuses offertes par l’intégration systématique du raisonnement symbolique dans les approches statistiques et neuronales dominantes.