近年の半教師あり物体検出（SSOD）の進展は、画像分類タスクにおいて一貫性に基づく偽ラベル手法に大きく支えられており、偽ラベルを教師信号として用いることで性能が向上している。しかし、偽ラベルを用いる際には、物体検出タスクにおいて極めて重要な位置推定の精度や、拡大するカテゴリ間の不均衡問題に対する配慮が不足している。本論文では、物体検出に特化した「確信度を考慮した偽ラベル」を提案する。この手法は、導出された偽ラベルの分類精度および位置推定精度を効果的に推定できる。具体的には、従来の位置推定を分類タスクに変換した後、その結果を精緻化するアプローチを採用している。分類精度および位置推定精度のスコアに基づき、偽ラベル生成に用いる閾値を動的に調整するとともに、各カテゴリごとの損失関数の重みを再調整することで、カテゴリ不均衡問題を緩和する。広範な実験により、本手法がCOCOおよびPASCAL VOCデータセットにおいて、既存の最先端SSOD手法に対して1～2%のAP向上を達成することを示した。また、既存の多くの手法と直交的かつ補完的な性質を有しており、限られたラベル付きデータ環境下でも、COCOデータセットの1～10%のラベル付きデータのみを用いて、教師ありベースラインを最大で10%のAP向上させることが可能である。