本稿では、半教師ありセマンティックセグメンテーションにおける仮ラベルの品質を向上させるための新規な信頼度精緻化手法を提案する。既存の手法が低信頼度予測を持つ画素を個別にフィルタリングするのに対し、本手法はセグメンテーションマップにおけるラベルの空間的相関性を活用し、隣接する画素をグループ化してその仮ラベルを一括して考慮する。この文脈情報の導入により、S4MC（Spatially-Structured Self-Training with Multi-Context）と名付けた本手法は、訓練中に利用する未ラベルデータ量を増加させつつ、仮ラベルの品質を維持することが可能であり、計算オーバーヘッドは極めて小さい。標準ベンチマーク上で実施した広範な実験により、S4MCが既存の最先端半教師あり学習手法を上回ることを示した。特に、PASCAL VOC 12において366枚のラベル付き画像で学習した場合、従来手法に対して1.39 mIoUの向上を達成した。この成果は、高密度ラベルの取得コストを低減するための有望な解決策である。本研究の再現コードは、https://s4mcontext.github.io/ にて公開されている。