딥러닝은 이미지 내 객체 탐지 작업을 해결하는 데 효과적인 해결책으로 부상했지만, 대량의 레이블이 붙은 데이터셋이 필요하다는 단점이 있다. 이 비용을 완화하기 위해 풍부한 레이블이 없는 데이터를 활용하는 반감독 학습 기반의 객체 탐지 방법들이 제안되었으며, 이미 놀라운 성과를 보여주고 있다. 그러나 이러한 대부분의 방법들은 의사 레이블(pseudo-label)을 진짜 레이블(ground-truth) 객체와 연결하기 위해 임계값(threshold)을 설정해야 한다. 기존 연구에서는 이 임계값을 경험적으로 결정하는 방식을 사용하는데, 이는 시간이 오래 걸리며, 단일 데이터 분포에 대해서만 수행된다. 도메인, 즉 데이터 분포가 변경되면 새로운 비용이 드는 파라미터 탐색이 다시 필요하다. 본 연구에서는 간단하면서도 효과적인 티처-학생(Teacher-Student) 구조를 기반으로 한 새로운 반자율 학습 방법인 적응형 자기학습 객체 탐지(Adaptive Self-Training for Object Detection, ASTOD)를 제안한다. ASTOD는 점수 히스토그램의 진짜 값(ground value)을 직접 활용하여 비용 없이 임계값을 결정한다. 또한, 티처의 예측 품질을 향상시키기 위해 새로운 의사 레이블링 절차를 제안한다. 이 과정에서 레이블이 없는 이미지에 대해 다양한 시각(view)을 활용함으로써 놓친 예측 수를 줄이고 더 나은 후보 레이블을 얻는다. 본 연구의 티처와 학생은 별도로 학습되며, 학습 과정을 반복적으로 수행할 수 있도록 티처를 학생으로 교체하는 방식을 사용할 수 있다. MS-COCO 데이터셋에서 본 방법은 임계값 파라미터가 필요 없는 최첨단 기법들과 비교하여 일관되게 우수한 성능을 보이며, 파라미터 스윕(검색)이 필요한 기법들과도 경쟁 가능한 성능을 기록한다. 위성 이미지로 구성된 DIOR 데이터셋에서 감독 학습 기반의 베이스라인과의 추가 실험에서도 유사한 결론이 도출되었으며, 데이터 분포에 관계없이 점수 임계값을 자동으로 적응시킬 수 있음을 입증한다. 코드는 다음 링크에서 공개되어 있다: https://github.com/rvandeghen/ASTOD