La detección de objetos de mundo abierto (OWOD) se centra en entrenar modelos con etiquetas de clase parcialmente conocidas, lo que permite la detección de objetos de clases conocidas al mismo tiempo que identifica objetos de clases desconocidas. Los modelos actuales a menudo tienen un rendimiento subóptimo en la generación de seudolabels para objetos desconocidos basados en puntuaciones de objetividad debido a sesgos inherentes hacia clases conocidas. Para abordar este problema, proponemos un modelo de aprendizaje cruzado llamado Etiquetado Pseudo-Desconocido guiado para la detección de objetos en mundo abierto (OWOD) basado en el marco Featurized Query R-CNN (FQR-CNN).