DACB-Net: Dual Attention Guided Compact Bilinear Convolution Neural Network for Skin Disease Classification

本文介绍了三分支双重注意力引导紧凑双线性卷积神经网络（DACB-Net），重点是通过学习疾病特定区域以增强准确性和对齐。全局分支补偿丢失的区分特征，生成相关裁剪区域的注意力热图（AHM）。最后，全局和局部分支的最后池化层被连接以进行微调，为皮肤疾病诊断提供了全面的解决方案。尽管当前的CNN使用随机梯度下降（SGD）进行区分特征学习，但使用不同的局部图像块对来计算梯度，并在训练过程中引入调制因子以便关注复杂数据。然而，这种方法可能导致数据集不平衡、权重调整和易于过度拟合。所提出的解决方案结合了两个监督分支和一种新的损失函数来解决这些问题，提高了性能和可解释性。该框架集成了数据增强、迁移学习和微调，以解决数据不平衡问题，提高分类性能并降低计算成本。在HAM10000和ISIC2019数据集上的模拟实验表明，与最先进技术相比，该方法的准确性提高了2.59%。

提高皮肤病诊断的准确性和对齐性，解决数据不平衡、权重调整和过拟合等问题。

提出了一种三分支注意力引导的紧凑双线性CNN（DACB-Net）框架，结合了两种监督分支和一种新的损失函数，采用数据增强、迁移学习和微调等方法来提高分类性能和降低计算成本。

实验采用了HAM10000和ISIC2019数据集，并且相比于现有的方法，取得了2.59%的准确率提升。论文的亮点在于提出了一种新的框架和损失函数来解决数据不平衡和过拟合等问题。

最近的相关研究包括： 1. Multi-task Learning with Adversarial Networks for Skin Lesion Analysis 2. Skin Lesion Classification Using Deep Learning: A Survey