现有的半监督学习算法通常采用伪标签和一致性正则化技术，为无标签样本引入监督信号。为克服基于阈值的伪标签方法所固有的局限性，已有研究尝试使置信度阈值与模型不断演化的学习状态相匹配，而这种学习状态通常是通过模型对无标签数据的预测来估计的。分类器权重能够反映不同类别之间差异化的学习状态，并据此提出了一种类别特异的自适应阈值机制。此外，考虑到即使最优的阈值方案也无法解决无标签样本被丢弃的问题，我们设计了一

面向开放世界目标检测（OWOD）作为一个更一般且具有挑战性的目标，要求从已知对象的数据中训练的模型能够检测已知和未知的对象，并逐渐学会识别这些未知对象。现有的采用标准检测框架和固定伪标注机制（PLM）的工作存在以下问题：（i）检测未知对象实质上减少了模型检测已知对象的能力。（ii）PLM未充分利用输入的先验知识。（iii）PLM的固定选择方式不能保证模型在正确方向上进行训练。我们观察到，人类在下意