Die Gesichtspunkterkennung (facial landmark detection) hat das Ziel, die anatomisch definierten Punkte menschlicher Gesichter zu lokalisieren. In dieser Arbeit untersuchen wir die Gesichtspunkterkennung an teilweise beschrifteten Gesichtsbildern. Ein typischer Ansatz besteht darin: (1) einen Detektor auf den beschrifteten Bildern zu trainieren; (2) neue Trainingsbeispiele unter Verwendung der Vorhersagen dieses Detektors als Pseudobeschriftungen für unbearbeitete Bilder zu generieren; (3) den Detektor erneut auf den beschrifteten Beispielen und den teilweise pseudobeschrifteten Beispielen zu trainieren. Auf diese Weise kann der Detektor aus sowohl beschrifteten als auch unbearbeiteten Daten lernen, um robust zu werden. In dieser Arbeit schlagen wir ein Interaktionsmechanismus zwischen einem Lehrer und zwei Schülern vor, um verlässlichere Pseudobeschriftungen für unbearbeitete Daten zu generieren, was förderlich für die semi-überwachte Gesichtspunkterkennung ist. Speziell werden die beiden Schüler als duale Detektoren implementiert. Der Lehrer lernt, die Qualität der von den Schülern generierten Pseudobeschriftungen zu bewerten und nicht qualifizierte Beispiele vor der erneuten Trainierungsphase herauszufiltern. Auf diese Weise erhalten die Schülerdetektoren Rückmeldungen von ihrem Lehrer und werden mit hochwertigen Daten, die sie selbst generiert haben, erneut trainiert. Da die beiden Schüler mit unterschiedlichen Beispielen trainiert werden, wird eine Kombination ihrer Vorhersagen robuster als die Endvorhersage sein im Vergleich zur jeweiligen einzelnen Vorhersage. Umfangreiche Experimente an den Benchmarks 300-W und AFLW zeigen, dass die Interaktionen zwischen Lehrer und Schülern zur besseren Nutzung der unbearbeiteten Daten beitragen und den Stand der Technik in Leistung erreichen.