我々は、強力なデータ拡張を用いた疑似ラベル付けと一貫性正則化を組み合わせることで、密度型かつ構造化された予測タスクに対するオンライン半教師学習を実現するシンプルな手法「Dense FixMatch」を提案する。FixMatchを画像分類を越える半教師学習問題に適用可能とするために、疑似ラベルに対してマッチング操作を導入した。これにより、幾何変換を含むデータ拡張パイプラインの全機能を活用し続けることが可能となる。本手法は、CityscapesおよびPascal VOCにおける半教師付きセマンティックセグメンテーションにおいて、ラベル付きデータの割合を異なる条件で評価し、設計選択やハイパーパラメータの影響を検証した。実験の結果、ラベル付きデータのみを用いた教師あり学習と比較して、Dense FixMatchは顕著な性能向上を示し、ラベル付きデータを元の1/4に抑えた状態でも、ほぼ同等の性能を達成した。