이 연구는 추가적인 레이블이 없는 데이터를 활용하여 객체 탐지 성능을 향상시키기 위해 반감독 학습 기반 객체 탐지(Semi-Supervised Object Detection, SSOD)에 대해 탐구한다. 최근에는 자기 훈련(self-training) 기법을 통해 SSOD의 최신 성능이 달성되었으며, 이 기법에서는 훈련 시 감독 신호로 진짜 라벨(Ground Truth)과 가상 라벨(Pseudo-label)이 함께 사용된다. 현재의 연구에서 우리는 SSOD에서 클래스 불균형이 자기 훈련의 효과를 심각하게 저해한다는 점을 관찰하였다. 이를 해결하기 위해, 새로운 메모리 모듈인 CropBank을 도입한 적응형 클래스 재균형 자기 훈련(Adaptive Class-Rebalancing Self-Training, ACRST)을 제안한다. ACRST는 CropBank에서 추출한 전경 인스턴스를 활용하여 훈련 데이터의 클래스 분포를 적응적으로 재균형화함으로써 클래스 불균형 문제를 완화한다. 감지 작업의 높은 복잡성으로 인해, 자기 훈련과 데이터 재균형 모두 SSOD에서 노이즈가 많은 가상 라벨의 영향을 받는다는 점을 관찰하였다. 따라서 정확한 가상 라벨을 생성하기 위해 새로운 이단계 필터링 알고리즘을 제안한다. 제안한 방법은 MS-COCO 및 VOC 기준에서 만족스러운 성능 향상을 달성하였으며, MS-COCO에서 레이블이 단 1%만 있는 조건에서도 감독 학습 기반의 기준 모델 대비 17.02 mAP의 개선을 기록하였으며, 기존 최고 성능 방법 대비 5.32 mAP의 성능 향상을 보였다.