皮肤恶性肿瘤是一种常见皮肤疾病,在世界范围内都有发病案例,皮肤恶性肿瘤的种类很多,包括基底细胞癌、鳞状细胞癌以及恶性黑色素瘤等。在信息化的今天,合理使用计算机技术辅助医生进行皮肤恶性肿瘤的诊断具有重大意义。目前对于皮肤恶性肿瘤的分类诊断是使用人眼等直接观察,存在许多主观因素的干扰,为疾病的诊断增加了难度以及不确定性。因此,使用深度学习的图像分类技术配合其他技术手段,实现准确率高、分类速度快同时模型的参数量没有过多增加的图像分类算法,将会在未来辅助医生准确、快速的完成对病人所患疾病的判断。皮肤恶性肿瘤图像的病区图像十分相似,病区较小,并且数据集中各种类别的疾病所占的比例十分不均衡,这就导致只使用单一的网络对疾病进行分类的准确率不高,速度较慢,对图像的特征提取得不充分,网络提取到的无用信息较多。目前很少有人在对皮肤恶性肿瘤进行分类时考虑上下文信息,以及如何减少模型的参数量,提升运算速度。本文提出了两种改进的网络结构,使得网络能够提取到图像更深层次的特征,帮助提升网络的分类性能。首先,针对皮肤恶性肿瘤数据集数据样本不足,并且每个类别的数据分布十分不均衡的问题,本文综合考虑了对图像在不同角度下旋转、添加噪声的基础上,使用生成对抗网络辅助生成数据,进而对模型进行训练;其次,选用图像分类领域表现优异的Res Net和Res Ne Xt网络作为本文的骨干网络;然后,由于网络深度的增加或模型复杂度的提升导致分类效果不好,模型难以在较广泛的视野下综合考虑全部特征信息的问题,本文选择对骨干网络添加SE模块以及自校准卷积结构进行改进,辅助网络提取到更多的有用特征信息,并降低无用信息的干扰;之后,为了防止网络在训练过程中维度较高,使用1*1卷积进行降维提速,并在一定程度上提升了网络的性能;最后,针对模型复杂度的提升,会带来参数的增加的问题,使用3*3卷积替换掉网络中的7*7卷积,减少网络参数,并在down-sampling block中的卷积操作之前添加了一个2步长的3*3平均池化层来进一步改进网络,配合多层激活函数,增加网络的非线性。实验结果证明本文所采用的改进策略对模型的分类准确率与一定的提升,表现最好的网络SC-Res Ne Xt-101*在皮肤恶性肿瘤图像上的top1分类准确率可达89.67%,并且没有带来模型参数量的增加。自校准卷积能够兼顾到局部上下文信息以及空间信息,并能排除空间中无用信息的干扰,能够在模型的不断训练收敛过程中逐步放大卷积的感受野,使得网络模型能够提取到更丰富特征。根据本文实验可知,使用自校准卷积配合残差结构、分组卷积等优化方法,能够在一定程度上提升网络的分类准确性。