비전 트랜스포머(ViT)가 흑색종 이미지 분류에서 특징 중복 및 일반화 능력 부족 문제를 해결하기 위해 동적 특징 선택과 대조 학습을 융합한 개선된 모델을 제안하여 분류 정확도와 임상 진단 효율을 향상시킨다. 먼저, 학습 가능한 가중치 행렬을 통해 중요한 특징을 적응적으로 강화하고 중복 정보를 억제하는 동적 특징 선택 모듈을 설계하였으며, 둘째로, InfoNCE 대조 손실 함수를 도입하여 교차 엔트로피 손실과 결합한 다목적 최적화 프레임워크를 구축하여 클래스 간 특징 구분도를 강화하였다. 마지막으로, 다중 헤드 자기 주의 메커니즘에 핵심 특징 유도 메커니즘을 삽입하여 지역 세부와 전역 의미의 협업 모델링을 실현하였다. ISIC2018 및 ISIC2019 데이터셋에서의 실험 결과, 개선된 모델은 각각 83.27%, 80.17%의 분류 정확도를 달성하여 기본 ViT 모델 대비 1.83%, 0.49% 향상되었으며, 소거 실험을 통해 동적 선택 모듈이 18.7%의 중복 계산을 줄이고 대조 학습이 클래스 내 특징 유사도를 23.6% 향상시켰음을 검증하였다. 제안된 방법은 ViT 모델의 흑색종 인식 능력을 현저히 향상시켜 주요 모델보다 분류 정확도 및 강건성이 우수하며, 피부암 조기 진단을 위한 고정밀 저중복 자동화 솔루션으로 임상적 가치가 있다.

이미지 분류;특징 선택;InfoNCE 손실 함수;ViT 모델