半教師ありセマンティックセグメンテーション（SSSS）は、限られたラベル付きデータと大量のラベルなしデータを活用することで、セグメンテーション性能の向上を目的としています。従来の手法は、初期のラベル付きデータに過度に依存することで学習が最適化されず、結合性（coupling） が生じる傾向にあり、誤った予測が反復的に強化される確認バイアス（confirmation bias） や、境界認識能力の制限および明確でないエッジ情報による境界のぼやけ（boundary blur） といった課題に直面しています。これらの問題に対処するため、本研究では新たなフレームワークである CW-BASS を提案します。誤った予測の影響を軽減するため、疑似ラベルに信頼度重みを付与することで、予測の信頼性に基づいてその影響を動的に調整します。さらに、弱教師ありセマンティックセグメンテーション（WSSS）において広く研究されている境界明示技術を、SSSS分野ではまだ十分に活用されていない点に着目し、それを本手法に導入しています。具体的には、本手法は以下の4つの点で性能を向上させます：（1）予測信頼度スコアに基づいて疑似ラベルの影響を調整する信頼度重み付き損失により、結合性を低減；（2）モデルの性能に応じて疑似ラベルを自動的にフィルタリングする動的閾値化機構により、確認バイアスを緩和；（3）物体エッジ付近のセグメンテーション精度を向上させる境界認識モジュールを導入し、境界のぼやけを解消；（4）訓練過程で疑似ラベルを段階的に精緻化する信頼度減衰戦略により、ラベルノイズを低減。Pascal VOC 2012 および Cityscapes における広範な実験により、CW-BASSが最先端の性能を達成することが示されました。特に、限られたラベル（3.3%、100枚）を想定した挑戦的な1/30分割設定下で、Cityscapesでは 65.9%のmIoU を達成し、少量ラベル環境における優れた有効性を実証しました。本研究のコードは、https://github.com/psychofict/CW-BASS にて公開されています。