摘要：
半监督学习，即同时使用有标记和未标记数据的训练网络，最近取得了重大进展。
然而，现有的工作主要集中在图像分类任务上，而忽略了目标检测。
因此在这项工作中，作者重新讨论了半监督对象检测（SSOD），并确定了SSOD中的伪标记偏差问题。为了解决这个问题，作者引入了无偏见教师模型（Unbiased Teacher），这是一种简单而有效的方法，以互惠互利的方式共同训练学生模型和逐步进步的教师模型。
再加上减轻过拟合的伪标签的类别平衡损失，无偏见教师模型在COCO和VOC数据集上显著地改进了最先进的方法。
论文介绍：
大规模数据集和计算资源的可用性使得深度神经网络能够在各种任务上取得强大的性能。然而，训练这些网络需要大量的有标记的实例，这些数据需要昂贵的注释和获取。
作为一种替代方法，半监督学习（SSL）方