تظل التغيرات في الحجم بين حالات الكائنات تحديًا رئيسيًا في مهام كشف الكائنات. وعلى الرغم من التقدم المذهل الذي أحرزته نماذج الكشف الحديثة، فإن هذا التحدي يكون بارزًا بشكل خاص في الحالة شبه المراقبة. في حين تعتمد الطرق الحالية للكشف عن الكائنات شبه المراقبة على شروط صارمة لتصفية التسميات الوهمية عالية الجودة من توقعات الشبكة، فإننا نلاحظ أن الكائنات ذات الحجم المتطرف تميل إلى أن تكون ذات ثقة منخفضة، مما يؤدي إلى نقص في الإشراف الإيجابي لهذه الكائنات. في هذا البحث، نقترح إطارًا جديدًا يعالج مشكلة التغير في الحجم من خلال إدخال "مُدرّس مختلط الحجم" لتحسين توليد التسميات الوهمية والتعلم المستقل عن الحجم. بالإضافة إلى ذلك، نقترح استخراج التسميات الوهمية من خلال تعزيز الدرجات الناتجة عن التوقعات عبر الحجم المختلفة، مما يستفيد من توقعات أفضل الناتجة عن الميزات المختلطة بالحجم. أظهرت تجاربنا الواسعة على معايير MS COCO وPASCAL VOC في ظروف شبه مراقبة متنوعة أن طريقة التوصية تحقق أداءً جديدًا على مستوى الحالة الراهنة. يتوفر الكود والنماذج على الرابط: \url{https://github.com/lliuz/MixTeacher}.