تتعمق هذه الدراسة في الكشف عن الكائنات المراقب جزئيًا (SSOD) لتحسين أداء الكاشف باستخدام بيانات غير مُعلَّمة إضافية. وقد تم تحقيق أداء متميز في SSOD مؤخرًا من خلال تقنية التدريب الذاتي، حيث يتكوّن التوجيه في التدريب من الحقائق الأساسية (ground truths) والوسوم الافتراضية (pseudo-labels). في الدراسات الحالية، لاحظنا أن عدم التوازن بين الفئات في SSOD يُعَرِّض فعالية التدريب الذاتي للخطر بشدة. ولحل مشكلة عدم التوازن بين الفئات، نقترح طريقة جديدة تُسمى التدريب الذاتي المُعدِّل تلقائيًا لموازنة الفئات (ACRST)، مع وحدة ذاكرة جديدة تُدعى CropBank. تعزز ACRST توازن البيانات التدريبية تلقائيًا من خلال استخلاص الحالات المُنتجة (foreground instances) من وحدة الذاكرة CropBank، مما يخفف من تأثير عدم التوازن بين الفئات. وبالنظر إلى التعقيد العالي للمهام المتعلقة بالكشف عن الكائنات، لاحظنا أن كلًا من التدريب الذاتي وموازنة البيانات يعانيان من تأثير الوسوم الافتراضية الضوضائية في SSOD. لذلك، نقترح خوارزمية تصفية مبتكرة على مرحلتين لإنتاج وسوم افتراضية دقيقة. تحقق طريقةنا تحسينات مرضية على معايير MS-COCO وVOC. وفي حالة استخدام 1% فقط من البيانات المُعلَّمة في MS-COCO، حققت طريقة لدينا تحسنًا بنسبة 17.02 نقطة في مقياس mAP مقارنةً بالأساليب المراقبة، وتحسينًا بنسبة 5.32 نقطة مقارنةً بأفضل الطرق الحالية.