计算机应用

作者：王静, 刘嘉星, 宋婉莹, 薛嘉兴, 丁温欣

单位：西安科技大学 通信与信息工程学院，西安 710600

关键词：小样本学习,图像分类,皮肤病变,空间变换网络,最邻近质心

基金：国家自然科学基金资助项目(61901358)

基于深度学习的图像分类模型通常需要大量标记数据，然而，在医学领域的皮肤病变分类任务中，收集大量图像数据面临着诸多挑战。为了能准确分类小样本皮肤疾病，提出一种基于空间变换网络（STN）和特征分布校准的小样本分类模型。首先，将迁移学习和元学习相结合，以解决跨域迁移小样本存在的过拟合问题；其次，在预训练分类任务前插入旋转角度预测任务，以便模型更好地适应医学图像数据的高复杂度；再次，在对图像下采样后引入STN，以通过显式地对输入图像进行仿射变换，增强特征的提取和识别能力；最后，通过特征分布校准对新类特征进行约束，并引入最邻近质心算法进行分类决策，在简化算法流程的同时显著提升分类精度。在ISIC2018皮肤病变数据集上的实验结果表明，与当前主流小样本模型Meta-Baseline相比，在2-way和3-way分类任务中，所提模型的平均精度分别提高了11.80和10.82个百分点；与模型MetaMed相比，在2-way 3-shot和3-way 3-shot分类任务中，所提模型的分类精度分别提升了6.65和9.58个百分点。可见，所提模型有效提高了小样本皮肤疾病的分类精度，能够更好地辅助医生提高临床诊断精确度。

来源：2025年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第8期