لقد حققت الكشف عن الكائنات شبه المُراقبة (SSOD) تقدماً كبيراً مع تطور الطرق النهائية القائمة على التسمية الوهمية. ومع ذلك، تواجه العديد من هذه الطرق تحديات ناتجة عن عدم توازن الفئات، مما يعيق كفاءة مولد التسميات الوهمية. علاوة على ذلك، لوحظ في الأدبيات أن التسميات الوهمية منخفضة الجودة تحد بشدة من أداء SSOD. في هذه الورقة، نستعرض الأسباب الجذرية للتسميات الوهمية منخفضة الجودة ونقدم آليات تعلم جديدة لتحسين جودة إنشاء التسميات. وللتغلب على معدلات عالية من الأخطاء السلبية ودقة منخفضة، نُقدّم آلية تقييم مُعدّلة (Adaptive Thresholding) تساعد الشبكة المقترحة على استبعاد الصناديق المحيطة المثلى. كما نُدخل وحدة Jitter-Bagging لتقديم معلومات دقيقة حول التحديد، مما يساعد في تحسين صناديق التحديد. بالإضافة إلى ذلك، نُقدّم خسارةً جديدة باستخدام درجات الخلفية والكائنات الأمامية التي تتنبأ بها الشبكات المُعلّمة والطالب، بهدف تحسين معدل استرجاع التسميات الوهمية. علاوة على ذلك، يُطبّق طريقة التدريب الصارمة على الشبكة المُعلّمة من خلال إدخال بيانات مُعدّلة قوية وضعيفة، لإنتاج تسميات وهمية قوية، بحيث يمكنها اكتشاف الكائنات الصغيرة والمعقدة. وأخيراً، تُظهر التجارب الواسعة أن الشبكة المقترحة تتفوّق على الطرق الرائدة في مجالها على مجموعتي بيانات MS-COCO وPascal VOC، وتمكّن الشبكة الأساسية من تحقيق أداءً مُراقباً بنسبة 100% باستخدام كمية أقل بكثير من البيانات المُعلّمة (أي 20%).