Bien que la méthode des pseudo-étiquettes ait démontré un succès considérable dans les tâches de détection d’objets semi-supervisée, ce papier met en évidence des limites notables de cette approche. En particulier, la méthode des pseudo-étiquettes a tendance à amplifier les forces inhérentes du détecteur tout en accentuant ses faiblesses, ce qui se traduit par des erreurs de détection de pseudo-étiquettes, notamment pour les objets de petite taille et ceux appartenant aux catégories rares (tail categories). Pour surmonter ces défis, ce papier propose une méthode appelée Mixed Pseudo Labels (MixPL), qui combine les techniques de Mixup et de Mosaic appliquées aux données pseudo-étiquetées, afin de atténuer l’impact négatif des détections manquées et d’équilibrer l’apprentissage du modèle à travers différentes échelles d’objets. Par ailleurs, la performance du modèle sur les catégories rares est améliorée grâce au rééchantillonnage des données étiquetées en incluant des instances pertinentes. Notamment, MixPL améliore de manière cohérente les performances de divers détecteurs et établit de nouveaux états de l’art avec Faster R-CNN, FCOS et DINO sur les benchmarks COCO-Standard et COCO-Full. En outre, MixPL montre une bonne scalabilité sur des modèles de grande taille, améliorant DINO Swin-L de 2,5 % en mAP et atteignant un nouveau record significatif (60,2 % en mAP) sur le benchmark COCO val2017, sans nécessiter d’étiquettes supplémentaires.