تتطلب تسمية الأشياء باستخدام تقسيم البكسلات الدقيق كمية كبيرة من الجهد البشري مقارنة بصناديق الحدود. تركز معظم الطرق الحالية للتقسيم النسبي للأمثلة على تصميم خسائر استرشادية باستخدام صناديق الحدود كمدخلات أولية. ومع ذلك، وجدنا أن الطرق المراقبة بالصناديق يمكنها إنتاج بعض الأقنعة الدقيقة، وتساءلنا عما إذا كان يمكن للمكتشفات التعلم من هذه الأقنعة الدقيقة مع تجاهل الأقنعة ذات الجودة المنخفضة. لحل هذا السؤال، نقدم BoxTeacher، وهو إطار تدريبي فعال ومتكامل لتقسيم الأمثلة النسبي ذي الإشراف الضعيف، يستخدم معلماً متقدماً لإنشاء أقنعة عالية الجودة كأوسمة زائفة (pseudo labels). نظراً لأن الأقنعة الضوضائية الكثيرة تضر بالتدريب، نقدم درجة ثقة حساسة للأقنعة لتقييم جودة الأوسمة الزائفة ونقترح خسارة بكسلات حساسة للضوضاء وخسارة ارتباط مخفضة الضوضاء لتحسين الطالب بشكل متكيف مع الأقنعة الزائفة. يمكن أن تثبت التجارب الواسعة فعالية BoxTeacher المقترح. بدون أي تعقيدات إضافية، يحقق BoxTeacher أداءً ملحوظاً بمعدل دقة أقنعة (mask AP) قدره 35.0 و36.5 باستخدام ResNet-50 وResNet-101 على التوالي في مجموعة بيانات COCO الصعبة، مما يتفوق بشكل كبير على أفضل الطرق السابقة ويقلص الفجوة بين الطرق المراقبة بالصناديق والطرق المراقبة بالأقنعة. ستكون الرموز والنماذج متاحة في https://github.com/hustvl/BoxTeacher.