비정제된 객체에 대한 의사 레이블(예: 카테고리 및 경계 상자)을 교사 검출기로부터 생성하여 활용하는 방식이 최근 반감독 객체 탐지(Semi-Supervised Object Detection, SSOD) 분야의 주요 발전을 이끌어왔다. 그러나 정제된 레이블이 부족한 상황에서 교사 검출기의 일반화 능력이 제한되면서 생성된 의사 레이블이 진짜 레이블에서 벗어나는 경향이 있으며, 특히 분류 신뢰도가 낮은 경우 이러한 편차가 더욱 심화되어 SSOD의 일반화 성능을 제한한다. 이러한 문제를 완화하기 위해 본 연구에서는 SSOD를 위한 이중 의사 레이블 정제 프레임워크를 제안한다. 교사 검출기가 생성한 의사 레이블을 직접 활용하는 대신, 이중 정제 학습(dual polishing learning)을 통해 그들의 진짜 레이블로부터의 편차를 줄이는 데 처음으로 도전한다. 이 과정에서 카테고리와 경계 상자 각각에 대해 합성된 쌍의 의사 레이블과 해당 진짜 레이블을 이용해 서로 다른 구조를 가진 두 개의 정제 네트워크를 정교하게 설계하고 학습시킨다. 이를 통해 초기에 생성된 의사 레이블을 기반으로 상황 지식을 충분히 활용하여, 비정제된 객체에 대해 더 정확한 의사 레이블을 추론할 수 있으며, 결과적으로 SSOD의 일반화 성능을 향상시킬 수 있다. 또한 이 방식은 기존 SSOD 프레임워크에 원활하게 통합되어 종단 간(end-to-end) 공동 학습이 가능하다. 더불어, 비정제된 객체에 대한 정제된 의사 카테고리와 경계 상자를 분리하여 각각 별도의 카테고리 분류 및 경계 상자 회귀에 활용하는 방안을 제안함으로써, 모델 학습 과정에서 보다 많은 비정제된 객체를 활용할 수 있게 되어 성능을 추가로 향상시킬 수 있다. PASCAL VOC 및 MS COCO 기준 데이터셋에서 수행한 실험을 통해 제안한 방법이 기존 최첨단 기법들에 비해 우수한 성능을 보임을 입증하였다.