半教師あり・なし学習、つまりラベル付きデータとラベルなしデータを用いたネットワークの訓練は、最近大きな進歩を遂げています。しかし、既存の研究は主に画像分類タスクに焦点を当てており、より多くのアノテーション労力が必要な物体検出については軽視されてきました。本研究では、半教師あり・なし物体検出（Semi-Supervised Object Detection: SS-OD）を見直し、SS-ODにおける疑似ラベリングバイアス問題を特定しました。この問題に対処するために、私たちはUnbiased Teacherという単純かつ効果的な手法を導入します。この手法は、学生モデルと徐々に進化する教師モデルを相互補完的に共同訓練します。クラスバランス損失を用いて過度に自信のある疑似ラベルの重み付けを低下させることで、Unbiased TeacherはCOCO標準セット、COCO追加セット、およびVOCデータセットにおいて現行の最先端手法よりも大幅に性能を向上させました。具体的には、MS-COCOで1%のラベル付きデータを使用した場合、現行の最先端手法に対して6.8ポイントの絶対mAP改善が達成され、0.5%、1%、2%のラベル付きデータのみを使用した場合でも監督学習ベースラインに対して約10ポイントのmAP改善が見られました。