تُعاني الطرق الحالية للكشف عن الظلال من قيد داخلي يكمن في الاعتماد على مجموعات بيانات مُعلَّمة محدودة، وقد تؤدي إلى نتائج ضعيفة في بعض الظروف المعقدة. ولتحسين أداء الكشف عن الظلال، تقدم هذه الورقة نموذجًا متعدد المهام من نوع "معلم المتوسط" (Mean Teacher) للكشف عن الظلال شبه المُعلَّم من خلال استغلال البيانات غير المُعلَّمة واستكشاف تعلم معلومات متعددة عن الظلال في آنٍ واحد. بشكل محدد، نقوم أولاً ببناء نموذج أساسي متعدد المهام للكشف عن مناطق الظل، وحواف الظل، وعدد الظلال معًا، وذلك باستغلال المعلومات التكميلية بينها، ثم نُعَيِّن هذا النموذج الأساسي كشبكتي "الطالب" و"المعلم". بعد ذلك، نشجع التنبؤات الناتجة عن المهام الثلاث من شبكتي الطالب والمعلم على التوافق مع بعضها عند معالجة البيانات غير المُعلَّمة، بهدف حساب خسارة الاتساق، والتي تُضاف بعدها إلى خسارة التدريب المُعلَّم الناتجة عن التنبؤات الخاصة بالنموذج الأساسي متعدد المهام على البيانات المُعلَّمة. تُظهر النتائج التجريبية على ثلاث مجموعات بيانات معيارية شائعة الاستخدام أن طريقة العمل هذه تتفوق بشكل مستمر على جميع الطرق المُقارنة من الطراز الرائد، مما يؤكد أن الشبكة المقترحة قادرة على استغلال البيانات غير المُعلَّمة الإضافية بشكل فعّال لتحسين أداء الكشف عن الظلال.