オブジェクトインスタンス間におけるスケール変動は、オブジェクト検出タスクにおける依然として重要な課題である。現代の検出モデルが著しい進展を遂げているにもかかわらず、この課題は特に半教師あり学習の文脈において顕著である。既存の半教師ありオブジェクト検出手法は、ネットワークの予測から高品質な疑似ラベルを抽出するため、厳格な条件を用いてフィルタリングしているが、本研究では極端なスケールを持つオブジェクトは予測信頼度が低くなりがちであり、その結果、これらのオブジェクトに対する正の教師信号が不足する現象を観察した。本論文では、混合スケール教師（mixed scale teacher）を導入することで疑似ラベル生成の質を向上させるとともに、スケール不変学習を実現する新しいフレームワークを提案する。さらに、複数スケールにおける予測のスコア向上を活用した疑似ラベルのマイニング手法も提案し、混合スケール特徴から得られるより優れた予測の恩恵を受ける。MS COCOおよびPASCAL VOCのベンチマークにおいて、さまざまな半教師あり学習設定下で実施した広範な実験により、本手法が新たな最先端性能を達成することが示された。コードおよびモデルは、\url{https://github.com/lliuz/MixTeacher}にて公開されている。