Diese Studie untersucht semi-supervised Object Detection (SSOD), um die Leistung von Detektoren durch die Nutzung zusätzlicher unbeschrifteter Daten zu verbessern. In jüngster Zeit wurde der Stand der Technik in SSOD durch Self-Training erreicht, bei dem die Trainingsvorgabe aus Ground Truths und Pseudolabels besteht. In aktuellen Studien stellen wir fest, dass eine Klassenungleichgewicht in SSOD die Wirksamkeit des Self-Trainings erheblich beeinträchtigt. Um dieses Problem anzugehen, schlagen wir ein adaptives Klassenrebalancing Self-Training (ACRST) mit einem neuartigen Speichermodul namens CropBank vor. ACRST rebalanciert adaptiv die Trainingsdaten durch die Extraktion von Vordergrund-Instanzen aus dem CropBank, wodurch das Klassenungleichgewicht gemildert wird. Aufgrund der hohen Komplexität detektionsbasierter Aufgaben beobachten wir, dass sowohl Self-Training als auch Datenrebalancing in SSOD unter fehlerhaften Pseudolabels leiden. Daher stellen wir einen neuartigen zweistufigen Filteralgorithmus vor, um präzise Pseudolabels zu generieren. Unsere Methode erzielt zufriedenstellende Verbesserungen auf den Benchmarks MS-COCO und VOC. Bei Verwendung lediglich von 1 % beschrifteten Daten in MS-COCO erreicht unsere Methode eine Verbesserung von 17,02 mAP gegenüber überwachten Baselines und eine Verbesserung von 5,32 mAP im Vergleich zu aktuellen State-of-the-Art-Methoden.