La détection de points caractéristiques faciaux vise à localiser les points anatomiquement définis des visages humains. Dans cet article, nous étudions la détection de points caractéristiques faciaux à partir d'images faciales partiellement étiquetées. Une approche typique consiste à : (1) entraîner un détecteur sur les images étiquetées ; (2) générer de nouveaux échantillons d'entraînement en utilisant les prédictions de ce détecteur comme pseudo-étiquettes pour les images non étiquetées ; (3) réentraîner le détecteur sur les échantillons étiquetés et partiellement pseudo-étiquetés. De cette manière, le détecteur peut apprendre à partir de données étiquetées et non étiquetées pour devenir plus robuste. Dans cet article, nous proposons un mécanisme d'interaction entre un enseignant et deux élèves afin de générer des pseudo-étiquettes plus fiables pour les données non étiquetées, ce qui est bénéfique pour la détection semi-supervisée des points caractéristiques faciaux. Plus précisément, les deux élèves sont instanciés sous forme de détecteurs duaux. L'enseignant apprend à évaluer la qualité des pseudo-étiquettes générées par les élèves et à filtrer les échantillons non qualifiés avant l'étape de réentraînement. De cette façon, les détecteurs élèves reçoivent des retours de leur enseignant et sont réentraînés avec des données premium générées par eux-mêmes. Comme les deux élèves sont entraînés sur différents échantillons, une combinaison de leurs prédictions sera plus robuste en tant que prédiction finale comparée à chaque prédiction individuelle. Des expériences approfondies sur les benchmarks 300-W et AFLW montrent que l'interaction entre l'enseignant et les élèves contribue à une meilleure utilisation des données non étiquetées et atteint des performances d'état de l'art.Note: - "pseudo labels" est traduit par "pseudo-étiquettes".- "dual detectors" est traduit par "détecteurs duaux".- "premium data" est traduit par "données premium".