Nous présentons une nouvelle méthode de raffinement de confiance qui améliore les étiquettes pseudo-labels dans le cadre de la segmentation sémantique semi-supervisée. Contrairement aux approches existantes, qui filtrent les pixels à prédictions à faible confiance de manière isolée, notre méthode exploite la corrélation spatiale des étiquettes dans les cartes de segmentation en regroupant les pixels voisins et en considérant leurs pseudo-étiquettes de manière collective. Grâce à cette information contextuelle, notre approche, nommée S4MC, augmente la quantité de données non étiquetées utilisées pendant l'entraînement tout en préservant la qualité des pseudo-étiquettes, avec un surcoût computationnel négligeable. À travers des expériences étendues sur des benchmarks standards, nous démontrons que S4MC surpasser les méthodes d'apprentissage semi-supervisé les plus avancées à ce jour, offrant ainsi une solution prometteuse pour réduire le coût lié à l'acquisition d'annotations denses. Par exemple, S4MC obtient une amélioration de 1,39 mIoU par rapport à l'état de l'art sur PASCAL VOC 12 avec seulement 366 images annotées. Le code permettant de reproduire nos expériences est disponible à l'adresse suivante : https://s4mcontext.github.io/