本稿では、シンプルでありながら高い性能を発揮する半教師付きセマンティックセグメンテーション手法「CorrMatch」を提案する。従来の手法は、ラベルなしデータを活用するために複雑な学習戦略を採用しているが、位置ペア間の関係性をモデル化するための相関マップ（correlation maps）の役割を軽視している。我々は、相関マップが同一カテゴリのピクセルを容易にクラスタリング可能であるだけでなく、優れた形状情報を含んでいることを観察した。これはこれまでの研究で無視されてきた重要な特性である。この知見をもとに、ラベルなしデータの利用効率を向上させるために、2つの新しいラベル伝搬戦略を設計した。第一に、ピクセル間の対比較類似度をモデル化することで、信頼度の高いピクセルを伝搬させ、さらに多くのピクセルを抽出するピクセル伝搬を提案する。第二に、相関マップから抽出した高精度なクラスに依存しないマスクを用いて、擬似ラベルを強化する領域伝搬を実施する。CorrMatchは、代表的なセグメンテーションベンチマークにおいて優れた性能を達成した。バックボーンにResNet-101を用いたDeepLabV3+モデルを用いて、Pascal VOC 2012データセットにおいてわずか92枚のアノテーション画像で76%以上のmIoUを達成した。コードは以下のURLから公開されている：https://github.com/BBBBchan/CorrMatch。