基于双线性特征融合的皮肤病分类研究

摘要：

皮肤覆盖肌肉、骨骼和身体的每个部分,是人体中最大的器官.由于其暴露于外界,所以感染更容易发生在皮肤上.皮肤病作为一种常见疾病,利用计算机技术对其进行辅助诊断,有助于减轻医生负担.针对常规卷积神经网络应用于皮肤病图像分类时由于不同种皮肤病图像之间的类间相似性以及同种皮肤病图像之间具有类内差异性导致分类困难的问题,提出一种改进双线性特征融合模型.使用经过剪枝的Inception-ResNet-v1和v2版本作为特征提取器并行提取图像特征,对特征进行双线性融合,获取更多阶数的特征信息可以提高模型对图像细节的敏感度.然后添加额外的软注意力模块,通过加权和的方式进行过滤或者加强,给图像每个位置给予不同的权重以达到对模型的加强效果.在skin-cancer-classesisic数据集上的7种皮肤病图像上进行训练,与S-CNN、MobileNet和Incremental CNN的对比证明了该模型的有效性,在Precision、Recall和F1-Score指标上该模型均为最优.

关键词：皮肤病、深度学习、双线性特征融合、注意力机制、图像分类

所属期刊栏目：33

分类号：TP391(计算技术、计算机技术)

资助基金：教育部科技基础工作专项项目2014FY110900

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：161-166