我々は、少量の人工ラベル付き学習例のみを用いて、画素単位の意味的オブジェクトマスクを生成することを目的とする半教師付きセマンティックセグメンテーションのタスクに着目する。本研究では、複数の精緻化段階にわたって自己学習の挙動を検討する反復的自己学習手法に焦点を当てる。我々は、人間ラベル付きデータと擬似ラベル付きデータの比率を固定したまま単純に反復的自己学習を実行すると、性能の低下を引き起こすことを示す。そこで、各精緻化段階において人間ラベル付きデータまたは擬似ラベル付きデータのどちらか一方にのみ学習を行うことを繰り返す「グリーディ反復自己学習（GIST）」および「ランダム反復自己学習（RIST）」の戦略を提案する。これにより、性能の低下ではなく向上が実現される。さらに、GISTおよびRISTは既存の半教師付き学習手法と組み合わせて用いることで、性能のさらなる向上が可能であることを示した。