我们研究的是半监督语义分割任务，目标是在仅提供少量人工标注训练样本的情况下，生成像素级的语义对象掩码。我们重点关注迭代自训练方法，并探究在多个优化阶段中自训练行为的表现。研究发现，若以固定的人工标注样本与伪标注样本比例进行简单迭代自训练，会导致性能下降。为此，我们提出两种新策略：贪心迭代自训练（Greedy Iterative Self-Training, GIST）和随机迭代自训练（Random Iterative Self-Training, RIST），它们在每个优化阶段交替使用人工标注数据或伪标注数据进行训练，从而实现性能提升而非退化。进一步实验表明，GIST与RIST可与现有的半监督学习方法有效结合，显著提升整体性能。