该文章提出了一种基于弱监督的细粒度皮肤病分类方法，利用空间和通道注意力机制增强特征表达。通过消除图像部件、针对性的数据增强策略，特别是对黑色素瘤和脂溢性角化病的增强，以及采用双分支网络结构结合全局和局部特征，提高了对相似皮肤病的区分能力。DRPM模块能够定位关键区域并调整图像以提取局部特征。这种方法旨在解决CNN在区分相似皮肤病时的困难，如黑色素瘤和痣之间的区分。
文章题目
Skin Lesion Classification Using Weakly-supervised Fine-grained Method
文章来源
2020 25th International Conference on Pattern Recognition (ICPR)
作者动机
现有的基于卷积神经网络（CNN)的皮肤病分类工作有很多，但很少涉及到不同病变之间的相似性，例如黑色素瘤（恶性)和痣（良性)之间在外观上很相似，但神经网络很难区分。
作者思路
利用空间注意力和通道注意力来丰富特征图，引导网络以弱监督的方式关注突出区域。同时使用消除部件和数据增强的预处理方式来提高精确度。
网络架构
对于一张输入图片，首先消除部件，避免影响后续的特征提取，其次，网络根据图像标签判断该图像是否需要增强。作者只对黑色素瘤和脂溢性角化病进行数据增强，因为痣的数据比其他两种多很多。然后网络被分成两个分支。上层分支使用CNN从完整的图像中提取全局特征，下面的分支为DRPM模块，输出信息量最大的区域，并调整图像大小发送到CNN提取局部特征，最后两个分支得到的图像被拼接在一起得到最后的结果
DRPM模块包括四个模块：
- 注意力模块：
“加粗部分”解释
消除部件：首先将三通道图像转换为一通道灰度图像，然后对图像进行形态变换用来消除噪声，紧接着设置一个17*17的内核进行blackhat运算突出部件轮廓，下一步进行阈值操作，用来提取图像中的目标，以区分背景和部件。最后是inpainting操作，恢复由上述步骤对图像造成的损坏。inpainting操作是根据阈值操作得到的二值图像，利用区域边界附近的像素重建被去除部分的像素，下图是消除部件之前（a）和之后（b）的示例：
数据增强：数据增强的目标是用更少的样本增加类别的数量，使每个类别相对均衡。数据增强的方法有很多，如：颜色调整，随机裁剪，随机翻转，放射变换。以下是数据增强的效果图：
668
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
