Aufgrund der Kosten von gelabelten Daten in realen Anwendungen sind halbgeaufklärte Objektdetektoren, die auf der Methode der Pseudolabeling beruhen, äußerst attraktiv. Die Behandlung verwirrender (confusing) Samples stellt jedoch eine nicht triviale Herausforderung dar: Das Weglassen wertvoller verwirrender Samples beeinträchtigt die Generalisierungsfähigkeit des Modells, während ihre Verwendung im Training die Bestätigungsverzerrung (confirmation bias) verschärft, die durch unvermeidliche Fehlbezeichnungen entsteht. Um dieses Problem zu lösen, schlägt dieser Artikel vor, verwirrende Samples proaktiv zu nutzen, ohne deren Labels zu korrigieren. Konkret wird jedem verwirrenden Sample eine virtuelle Kategorie (Virtual Category, VC) zugewiesen, sodass diese auch ohne ein konkretes Label sicher zur Optimierung des Modells beitragen können. Dieses Verfahren beruht darauf, die Embedding-Distanz zwischen dem Trainingsample und der virtuellen Kategorie als untere Schranke der Inter-Klassen-Distanz festzulegen. Zudem wird die Lokalisationsverlustfunktion modifiziert, um hochqualitative Grenzflächen für die Lokalisationsregression zu ermöglichen. Umfangreiche Experimente zeigen, dass der vorgeschlagene VC-Lernansatz die derzeitigen State-of-the-Art-Methoden erheblich übertrifft, insbesondere bei geringer Verfügbarkeit von gelabelten Daten.