皮肤是人体重要器官之一,同时也对人体其他获悉更多器官起到保护作用。随着人们的生活水平和现代城市的建设,人们生存环境污染日趋严重,致使皮肤病发病率逐渐上升,皮肤癌患者的人数也在逐年增加。目前,在医学领域对皮肤病变的诊断,主要依靠皮肤科医生人工观察或借助皮肤镜图像观察病灶的形状、颜色等特征,根据经验做出相应的诊断。由于部分皮肤病变之间相似性高,即使有经验的皮肤科医生也可能误判,存在一定的不确定性。随着人工智能和深度学习技术的发展,智慧医疗中的计算机辅助皮肤病变诊断将成为未来发展的趋势。目前,在皮肤病变图像自动识别中也面临一些难点。如皮肤病变发病部位不同,病变区域与正常皮肤之间边界不够分明、不同病变之间或与其他良性皮肤特征相似性较高等情况,会使自动识别存在一定的困难。针对上述问题,本文分析了皮肤病变图像识别模型和方法,为了提高识别质量,聚焦特征的细小差异,重点研究了注意力机制的识别方法,同时为满足将CNN模型也能应用到移动端等计算能力有限的智能环境中,将轻量化卷积神经网络与注意力机制融合,提出了基于微注意力机制的皮肤病变识别模型。本文完成主要工作如下:(1)本文系统研究传统卷积神经网络与轻量化卷积神经网络的特点,结合人体皮肤特征提取复杂的特性,将Efficient Net卷积神经网络与注意力机制融合,在模型层深度、层宽、输入分辨率等多维度进行综合优化,专注于提高模型的效率和准确性。在网络主要模块MBConv中,添加了压缩和激励优化,输入激活图使用1×1卷积进行扩展,为增加特征图的提取精度和降低模型的复杂度,提出改进Efficient Net的ECA-Efficient Net V2模型,实现了高效和准确识别任务。(2)为了增强卷积神经网络的特征提取能力,从细粒度皮肤分类正确率以及效率出发,提出了GAMCA＿Efficient Net V2网络模型。该网络的主要由Efficient Net V2、CA注意力机制以及GAM全局注意力机制模块组成。Efficient Net V2模型Chinese herb medicines是更小更快的新系列,相比于原型Efficient Net通过训练感知NAS和PF-6463922 molecular weight缩放发现,可以自适应地调整正则化与图像大小。CA注意力机制学习通道位置权重关系,提高特征间的差异性。针对细粒度图像分类的任务,利用全局注意力机制GAM提取图像高阶信息。在数据集上的实验结果显示GAMCA＿Efficient Net V2网络比原Efficient Net网络在Train＿acc,Test＿acc指标上都有明显提高,实验表明,它提高了准确性的,同时也加快了训练速度,结果表明本文提出的GAMCA＿Efficient Net V2网络是精准有效的。(3)为了解决皮肤病图像样本数量少,可用信息不足的问题,本文将在ISIC2018皮肤病灶数据集的基础上,融合了ISIC2019和Derm Net数据集,一定程度上解决了数据种类不平衡的问题,扩展了可诊断和参考的皮肤病种类范围。最后在GAMCA＿Efficient Net V2网络的基础上,完成了皮肤病变识别系统的设计与开发,为皮肤病变在线辅助诊断和智慧医疗提供支撑。