具有动态秩相关的深度紧凑特征表示网络

本发明提出一种基于秩相关诱导动态掩码机制的深度紧凑特征表征网络模型，用于缓解半监督学习中因无标签数据过多导致蒸馏训练产生的确认偏差，并有效压缩特征在潜在空间中的分布。该方法通过特征扩散增强模块打破像素间全局与局部的联系，引入簇感知邻域一致性模块，利用自适应度量学习强化类内紧凑性与类间分离性，实现逐像素的特征表示；采用秩相关诱导动态掩码模块，通过秩匹配方式保留类别相关模式、滤除高概率错误，从而确保语义一致性削弱概率对齐随机性导致的秩次关系丢失问题。在多个数据集上的评估表明，本发明通过教师网络向学生网络知识蒸馏，同时优化特征分布几何结构与预测空间相关性，显著优于现有方法，从而提升了模型的泛化性能。