Извлечение множества признаков с помощью глубокого обучения для классификации поражений кожи

Для классификации различных поражений кожи изучено множество методов извлечения признаков. Этот этап имеет ключевое значение в машинном обучении. Обычно различают признаки, сформированные вручную, и признаки, извлечённые с помощью глубокого обучения. В этой работе оценена эффективность 17 широко используемых предварительно обученных архитектур свёрточных нейронных сетей в качестве экстракторов признаков и 24 классификаторов машинного обучения для классификации поражений кожи по двум наборам данных — ISIC 2019 и PH2. На наборе ISIC 2019 наилучшие результаты по точности показали DenseNet201 в сочетании с Fine KNN или Cubic SVM — 92,34% и 91,71% соответственно. На наборе PH2 предложенный метод превзошёл другие подходы, обеспечив точность 99%.