擬似教師信号は、セマンティックセグメンテーションにおける半教師あり学習の核心的なアイデアとされており、高品質な擬似ラベルのみを活用するか、すべての擬似ラベルを活用するかの間には常にトレードオフが存在する。この課題に対処するために、本研究では新たな学習手法である「保守的段階的協調学習（Conservative-Progressive Collaborative Learning: CPCL）」を提案する。CPCLでは、2つの予測ネットワークを並列に学習し、両者の予測結果の一致と不一致に基づいて擬似教師信号を実装する。一方のネットワークは交差監視を通じて共通部分を捉え、高品質なラベルによって監視されることで、より信頼性の高い監視を確保する。他方のネットワークは和集合監視によって差異を保ち、すべての擬似ラベルによって監視されることで、好奇心に基づいた探索を継続する。このようにして、保守的な進化と前向きな探索の協調が実現される。また、信頼性の低い擬似ラベルの影響を軽減するため、予測の信頼度に基づいて損失関数を動的に再重み付けする。広範な実験により、CPCLが半教師ありセマンティックセグメンテーションにおいて最先端の性能を達成することが確認された。