يهدف الكشف عن الكائنات شبه المُراقب (SSOD) إلى تعزيز أداء الكشف من خلال الاستفادة من بيانات إضافية غير مُراقبة. وقد أظهرت إطار العمل المُدرّس-الطالب (teacher-student framework) إمكانات واعدة في مجال SSOD، حيث تقوم الشبكة المُدرّسة بإنشاء تسميات افتراضية (Pseudo-labels) للبيانات غير المُراقبة لمساعدة تدريب الشبكة الطالب. وبما أن هذه التسميات الافتراضية تحتوي على ضوضاء، فإن تنقية هذه التسميات تُعد أمرًا بالغ الأهمية لاستغلال الإمكانات المتوفرة في هذا الإطار. على عكس الطرق الحالية التي تُعد غير مثلى، نقترح نهجًا مكونًا من خطوتين لتنقية التسميات الافتراضية في رؤوس التصنيف والانحدار ضمن إطار العمل المُدرّس-الطالب. بالنسبة لرأس التصنيف، نُقدّم OCL (التعلم التمييزي حسب الكائنات)، الذي يُنظم تعلم تمثيل الكائنات من خلال الاستفادة من البيانات غير المُراقبة، بهدف تحسين تنقية التسميات الافتراضية من خلال تعزيز تمييز نقاط التصنيف. ويهدف هذا التصميم إلى جمع الكائنات ذات الفئة نفسها وفصل الكائنات المختلفة عن بعضها. أما بالنسبة لرأس الانحدار، فقد قمنا بتطوير RUPL (التنقيح الافتراضي الموجه بالشكوك التمييزية في التموضع)، الذي يتعلم الشكوك النوعية (aleatoric uncertainty) الخاصة بتموضع الكائنات لتحسين تنقية التسميات. وباستخدام التنقية المشتركة للسمات الافتراضية في رؤوس التصنيف والانحدار، تتلقى الشبكة الطالب توجيهًا أفضل من الشبكة المُدرّسة في مهمة الكشف عن الكائنات. وأظهرت النتائج التجريبية على مجموعتي بيانات Pascal VOC وMS-COCO تفوق الطريقة المقترحة، محققة أداءً تنافسيًا مقارنة بالطرق الحالية.