1.一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述方法包括以下步骤：步骤1：随机取两种不同的数据增强方法，对当前输入的一个批次的Bn张图像进行两种不同的增强，得到两组增强后的图像 和a b

步骤2：基于孪生网络模型结构，将X 和X 输入编码器，获得对应的特征表示和

步骤3：基于K个簇中心，将每个 映射到聚类空间以获得K维聚类空间的特征表示采用softmax对 归一化获得隶属度分布 其中，m＝{a,b}，i＝{1,…Bn}为对应输入图像的序号；

步骤4：基于当前批次在聚类空间的特征 计算互相关矩阵C，用于度量聚类空间各个特征之间的相关性；

步骤5：根据孪生网络模型以及簇中心获得来自同一个原始图像的两个增强后的图像的隶属度分布，以其中一个图像的隶属度分布作为另一个图像的目标分布来计算预测与目标之间的对齐损失；

步骤6：构建单位化损失来衡量互相关矩阵C与单位矩阵I之间的对齐程度以控制聚类空间中变量之间的冗余性；

步骤7：将相互目标损失和单位化损失相加作为总损失，通过最小化总损失来训练网络参数，完成无监督图像表示学习。

2.根据权利要求1所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤1中，数据增强包括旋转、裁剪、添加噪声、模糊、颜色变化中的多种。

3.根据权利要求1所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其a b特征在于：所述步骤2中，将X和X 预处理后输入编码器，所述预处理包括数据清洗、调整图像至同一尺寸并统一格式，并设定具体的批次大小值。

4.根据权利要求1所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤3中，对于每个K维聚类空间的特征 其中，W为K个簇中心＝{w1,…,wK}，K为簇个数，应用softmax归一化，得到隶属度分布

5.根据权利要求1所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤4中，基于聚类空间特征得到一个批次内的输入之间的互相关矩阵来度量聚类空间各个特征之间的相关性，即 其中，每个H是一个Bn×K矩阵，表示Bn个样例经过模型映射得到K维的聚类空间特征，Bn为一个批次中样例的个数，每个ckf∈C被计算为Ha的第k列和Hb的第f列之间的相关系数，

6.根据权利要求1所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤5中，对于任意一个原始图像i，根据孪生网络模型以及簇中心获得其两个增强后的图像的隶属度分布 和 以其中一个图像的隶属度分布作为另一个图像的目标分布来计算预测与目标之间的对齐损失，得到相互目标损失为式(1)，其中， 表示KL散度，用于计算预测分布和目标分布之间的距离，[q]sg表示在模型反向传播过程中截断梯度流，此时q被视为常量，表示当前图像的目标分布。

7.根据权利要求6所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤6中， 表示矩阵C对角线元素，ckf表示矩阵C非对角线元素，以最小化式(2)表示的单位化损失来减少聚类空间特征之间的冗余，为调整单位化损失两部分对模型训练的作用，使用λ控制簇间去相关项的权重。

8.根据权利要求7所述的一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述步骤7中，将相互目标损失和单位化损失结合，以式(3)训练网络参数和更新簇中心，