Bisher basieren die leistungsstärksten semi-supervised Object Detektoren (SS-OD) auf sogenannten Pseudoboxen, die eine Reihe von Nachbearbeitungsschritten mit feinabgestimmten Hyperparametern erfordern. In dieser Arbeit schlagen wir vor, die spärlichen Pseudoboxen durch dichte Vorhersagen als einheitliche und direkte Form von Pseudolabels zu ersetzen. Im Gegensatz zu Pseudoboxen beinhaltet unsere dichte Pseudolabel (Dense Pseudo-Label, DPL) keine Nachbearbeitungsmethoden und bewahrt somit reichhaltigere Informationen. Zudem führen wir eine Regionenauswahltechnik ein, die die zentralen Informationen hervorhebt und gleichzeitig das Rauschen, das durch dichte Labels verursacht wird, unterdrückt. Wir bezeichnen unseren vorgeschlagenen SS-OD-Algorithmus, der die DPL nutzt, als Dense Teacher. Auf den Datensätzen COCO und VOC zeigt Dense Teacher im Vergleich zu auf Pseudoboxen basierenden Methoden eine überlegene Leistung unter verschiedenen Einstellungen.