图像-特征弱到强一致性：一种增强的半监督学习范式

图像级别的弱到强一致性因其简单性和出色的性能而成为半监督学习的主要范式。然而，这种范式将所有扰动都限制在图像级别，并且受到过多简单样本的影响，因此需要进一步改进。在本文中，我们引入了特征级别的扰动，以扩展增强空间，并建立了图像-特征弱到强一致性范式。此外，我们的范式开发了一个三分支结构，允许在一个分支内促进两种类型扰动的交互，以增强它们的协同作用。我们还提出了一种基于置信度的识别策略，以区分简单样本和困难样本，从而仅对简单样本引入额外的挑战。值得注意的是，我们的范式可以无缝集成到现有的半监督学习方法中。我们将所提出的范式应用于几种代表性算法，并在多个基准上进行了实验，包括标记样本的平衡和不平衡分布。结果表明，现有半监督学习算法的性能得到了显著提升。