SemiOccam es una eficiente red de reconocimiento de imágenes basada en aprendizaje semisupervisado que utiliza datos de etiquetas limitados. Para superar las limitaciones de la compleja estructura y el proceso de entrenamiento de los métodos existentes, construimos un mecanismo jerárquico de clasificación de densidad mixta que optimiza la información mutua entre las representaciones de características y las clases objetivo, eliminando así información innecesaria y conservando elementos discriminantes importantes. Los resultados experimentales muestran que alcanza un rendimiento de vanguardia en tres conjuntos de datos comunes y una precisión superior al 95 % en dos conjuntos de datos utilizando solo cuatro muestras etiquetadas por clase. Su sencilla estructura permite reducir el tiempo de entrenamiento a unos pocos minutos. Además, detectamos el problema de fuga de datos del conjunto de datos STL-10, que se había pasado por alto en estudios previos, eliminamos los datos redundantes para obtener resultados experimentales fiables y publicamos el conjunto de datos CleanSTL-10 mejorado.
