多任务融合的模型

**

1.Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy

**
使用弱类标签的多任务学习：利用iEEG检测癫痫中的皮层病变

---

论文的模型提出一个多任务的学习方式，它主要在于计算了标签的可靠性，并且根据这个值进行更好的多任务学习。采用了DCNN网络结构，但是DCNN技术不是皮肤病学家在皮肤病变分析中广泛使用的工具。 这是由于皮肤镜检数据集中的人为因素，畸变和噪声所引起的挑战，这阻碍了黑色素瘤的强大检测。 此外，皮肤病变数据集中有很大变化，其中皮肤病变可能包含相似的结构特征和颜色。 例如，作为良性疾病的脂溢性角化病（SK）可能难以与黑素瘤区分开来。 因此，在传统DCNN模型的训练中必须使用大量的训练数据集，为DCNN技术的实际应用创造了障碍。
所以论文采用了多任务学习的DCNN，这个模型允许在运用不同属性做不同分类任务时共享他们提取到的特征。
主要的任务有两个：（1）皮肤损伤的分类，（2）病变形状的描绘。
该网络由用于对皮肤数据集的鲁棒分析的三个组件组成：
（1）用于皮肤病变数据中皮肤损伤边界的分割。
（2）用于将皮肤数据分类为（a）黑素瘤和（b）痣和脂溢性角化病。
（3）使用检