التعلم شبه المشرف، أي تدريب الشبكات باستخدام البيانات المصنفة وغير المصنفة، قد أحرز تقدمًا كبيرًا مؤخرًا. ومع ذلك، ركزت الأعمال الحالية بشكل أساسي على مهام تصنيف الصور وأهملت اكتشاف الأشياء الذي يتطلب جهدًا أكبر في التسمية. في هذا العمل، نعيد النظر في اكتشاف الأشياء شبه المشرف (SS-OD) ونحدد مشكلة التحيز في التسمية الوهمية في SS-OD. لحل هذه المشكلة، نقدم المعلم غير المتحيز، وهو نهج بسيط ولكنه فعال يتدرب فيه الطالب والمعلم المتقدم تدريجيًا بطريقة متبادلة المنفعة. بالإضافة إلى خسارة التوازن بين الفئات لتقليل وزن التسميات الوهمية التي تكون ذات ثقة زائدة، حقق المعلم غير المتحيز تحسينات كبيرة وثابتة على طرق الحالة الراهنة بأكثر من هوامش كبيرة على مجموعات بيانات COCO-القياسية، COCO-إضافية، وVOC. تحديدًا، حقق المعلم غير المتحيز تحسنًا بمقدار 6.8 نقطة مئوية في mAP مقابل أفضل طريقة حالية عند استخدام 1٪ فقط من البيانات المصنفة على MS-COCO، وحقق تحسينات بحوالي 10 نقاط مئوية مقابل الأساس المرجعي المشرف عند استخدام 0.5٪، 1٪، 2٪ فقط من البيانات المصنفة على MS-COCO.