В ответ на проблему избыточности признаков и недостаточной обобщающей способности Vision Transformer (ViT) при классификации изображений меланомы предложена улучшенная модель, объединяющая динамический отбор признаков и контрастивное обучение для повышения точности классификации и эффективности клинической диагностики. Во-первых, разработан модуль динамического отбора признаков, который с помощью обучаемой матрицы весов адаптивно усиливает ключевые признаки и подавляет избыточную информацию; во-вторых, введена контрастивная функция потерь InfoNCE в сочетании с функцией потерь перекрестной энтропии для построения многоцелевой оптимизационной рамки, усиливающей отличимость признаков между классами; наконец, в мультиголовном механизме внимания встроен механизм направляющего ключевых признаков, обеспечивающий совместное моделирование локальных деталей и глобальной семантики. Эксперименты на наборах данных ISIC2018 и ISIC2019 показали, что улучшенная модель достигла точности классификации 83,27% и 80,17% соответственно, что на 1,83% и 0,49% выше базовой модели ViT; абляционные эксперименты подтвердили, что модуль динамического отбора снизил избыточные вычисления на 18,7%, а контрастивное обучение повысило сходство признаков внутри класса на 23,6%. Предложенный метод значительно улучшил способность модели ViT распознавать меланому, превзошел основные модели по точности классификации и устойчивости, предоставляя высокоточное, низкоизбыточное автоматизированное решение для ранней диагностики рака кожи с определенной клинической ценностью.

классификация изображений;отбор признаков;функция потерь InfoNCE;модель ViT