Les méthodes existantes de détection des ombres souffrent d'une limitation intrinsèque liée à leur dépendance vis-à-vis de jeux de données étiquetés limités, ce qui peut entraîner de mauvaises performances dans des situations complexes. Pour améliorer les performances de détection des ombres, ce papier présente un modèle multi-tâches de type Mean Teacher pour la détection semi-supervisée des ombres, en exploitant les données non étiquetées et en explorant simultanément l'apprentissage d'informations multiples relatives aux ombres. Plus précisément, nous construisons tout d'abord un modèle de base multi-tâches capable de détecter simultanément les régions ombreuses, les contours des ombres et le nombre d'ombres, en tirant parti de l'information complémentaire entre ces tâches, puis nous attribuons ce modèle de base aux réseaux étudiant et enseignant. Ensuite, nous encourageons les prédictions des trois tâches issues des réseaux étudiant et enseignant à être cohérentes sur les données non étiquetées, afin de calculer une perte de cohérence, qui est ensuite ajoutée à la perte supervisée obtenue sur les données étiquetées à partir des prédictions du modèle de base multi-tâches. Les résultats expérimentaux sur trois jeux de données standards largement utilisés montrent que notre méthode surpasse de manière cohérente toutes les méthodes de pointe comparées, ce qui confirme que le réseau proposé peut efficacement exploiter les données non étiquetées supplémentaires pour améliorer les performances de détection des ombres.