深度双监督学习用于黑色素瘤识别
计算机视觉与模式识别
2026-05-11 v2
摘要
随着深度学习在皮肤科学领域的应用不断增长，黑色素瘤的识别已引起广泛关注，显示出提高诊断准确性的潜力。尽管图像分类技术取得了进展，现有模型仍面临在识别区分黑色素瘤与良性瘤损伤细微视觉线索方面的挑战。本文提出了一种新颖的深度双监督学习框架，通过集成局部和全局特征提取来增强黑色素瘤识别。该框架采用双路径结构，既关注细粒度的局部特征，又关注更广泛的上下文信息，确保对图像内容的全面理解。该框架利用双注意力机制动态强调关键特征，从而降低忽视黑色素瘤细微特征的风险。此外，我们引入了多尺度特征聚合策略，以确保在不同图像分辨率下的稳健性能。大量基准数据集上的实验表明，我们的框架在黑色素瘤检测方面显著优于当前最先进的方法，实现了更高的准确率和更好的对抗误报鲁棒性。本工作为未来的自动化皮肤癌识别研究奠定了基础，凸显了双监督学习在医学图像分析中的有效性。
引用
@article{arxiv.2508.01994,
title = {Deeply Dual Supervised learning for melanoma recognition},
author = {Rujosh Polma and Krishnan Menon Iyer},
journal= {arXiv preprint arXiv:2508.01994},
year = {2026}
}
备注
arXiv admin note: This submission has been withdrawn due to violation of arXiv policies for acceptable submissions