استُخدمت العلامات الوهمية (مثل الفئات وحدود الصناديق) للأجسام غير المُعلّمة التي تُولّدها كاشف المُعلّم كأساس للكثير من التقدم الحديث في الكشف عن الكائنات شبه المُعلّم (SSOD). ومع ذلك، نظرًا لضعف القدرة التعميمية لكاشف المُعلّم الناتجة عن ندرة التصنيفات، فإن العلامات الوهمية الناتجة غالبًا ما تبتعد عن الحقيقة المطلقة، خاصة تلك ذات درجات الثقة التصنيفية المنخفضة، مما يحد من أداء التعميم في SSOD. ولتخفيف هذه المشكلة، نقترح إطارًا ثنائيًا لتحسين العلامات الوهمية في SSOD. بدلًا من استخدام العلامات الوهمية مباشرةً التي تُولّدها كاشف المُعلّم، نُقدّم محاولة أولى لتقليل انحرافها عن الحقيقة المطلقة باستخدام تعلّم التحسين الثنائي، حيث تم تطوير وتدريب شبكتين مختلفتين في البنية لتحسين العلامات الوهمية، باستخدام أزواج مُصنّعة من العلامات الوهمية والحقائق المطلقة المقابلة لها للفئات وحدود الصناديق على الكائنات المُعلّمة المُعطاة على التوالي. وبهذا، يمكن للشبكتين المُحسَّنتين أن تستنتج علامات وهمية أكثر دقة للكائنات غير المُعلّمة من خلال استغلال كافٍ لمعرفة السياق بناءً على العلامات الوهمية الأولية، وبالتالي تحسين أداء التعميم في SSOD. علاوةً على ذلك، يمكن دمج هذا النهج بسلاسة في الإطارات الحالية لـ SSOD لتحقيق تعلّم متكامل ونهائي (end-to-end). وبالإضافة إلى ذلك، نقترح فصل العلامات الوهمية المُحسَّنة للفئات وحدود الصناديق للكائنات غير المُعلّمة، لتطبيق تصنيف الفئات والانحدار لحدود الصناديق بشكل منفصل في SSOD، ما يُمكّن من إدخال عدد أكبر من الكائنات غير المُعلّمة أثناء التدريب، وبالتالي تحسين الأداء بشكل أكبر. أظهرت التجارب على معايير PASCAL VOC وMS COCO تفوق الطريقة المقترحة مقارنةً بالأساليب الحالية المُتقدمة في مجالها.