1.一种边缘计算网络中基于对比学习的皮肤病智能分类方法,其特征在于:所述智能皮肤病分类方法包括如下步骤:步骤1:构建基于边缘计算的皮肤病智能诊断网络,该网络由用户、边缘节点和数据基站组成;
步骤2:构建基于对比学习的智能皮肤病诊断网络,该智能皮肤病诊断网络为由两个特征提取网络和一个分类器组成的双编码器网络,所述双编码器网络集成了自监督和监督式对比学习,以生成更多的分类判别特征,同时,可以在不同类别之间获得更均衡的分类精度,充分利用未标记样本;
步骤3:构建基于最大均值差异(MMD)的监督式对比损失函数,它将每一类数据集表示为特定概率分布的采样,并把不同类别之间的差异表示为这些分布的距离,具体包括如下步骤:步骤3‑1:设计一个监督式对比损失函数来探索样本之间的类内和类间方差,将每一类数据看作来自一个典型概率分布的样本,并使用积分概率度量(IPM)来度量不同分布的距离,通过积分概率度量,P和Q两个分布之间的距离可以表示为:步骤3‑2:定义P和Q两个分布的MMD距离的平方为:
在μP和μQ是核希尔伯特空间(RKHS)中P和Q的平均嵌入,从概率的角度来看,上式可以写成其中x和y是P和Q的随机变量,f是一个将样本映射到RKHS的函数;
步骤3‑3:使用核函数将样本映射到无限维空间,最大均值差异(MMD)的距离表示为其中xi和xj是P的两个随机样本,yi和yj是Q的两个随机样本,k(·,·)是核函数,计算两个样本的相似性;
步骤3‑4:分解最大均值差异(MMD),最大均值差异(MMD)的距离方程式的松弛公式定义为:Mc(P,Q)=EP[k(x,x′)]‑2EP,Q[k(x,y)],其中P是正分布,Q是负分布;
步骤3‑5:根据样本i的损失形式和最大均值差异(MMD)的距离方程式的松弛公式,定义最大均值差异(MMD)对比损失函数:其中系数λ和μ为控制两项尺度的超参数,通过最小化上式,编码器学会减少类内差距,增加类间差距;
步骤3‑6:使用RBF内核作为内核函数,RBF的扩展形式如下
其中2范数项展开为下式,其中在单位球面上a·a、b·b等于1
2
设η=σ且x=a·b,则RBF的扩展形式公式表示为:
根据上式,输入特征向量的2范数梯度,如下所示
此外,在单位球面上,x的值以区间[‑1,1]为界,相应地,梯度取范围:步骤3‑7:重新定义损耗函数公式和引入铰链损失函数
b b
如上式所示,g(x)和f(x)的梯度表示如下:
其中参数ω和 减轻了损失函数的收敛要求。
2.根据权利要求1所述边缘计算网络中基于对比学习的皮肤病智能分类方法,其特征在于:所述步骤1中的皮肤病智能诊断网络中用户从边缘节点获取服务,数据基站为边缘节点提供训练数据和数据存储,具体为:用户:用户分为个人用户和专业用户,个人用户通过蜂窝网络或无线局域网(wLAN)将手机拍摄的皮肤照片上传至边缘节点发送诊断请求;专业用户通过专业计算机传输皮肤镜图像来获取辅助诊断信息;
边缘节点:边缘节点具有网络训练和诊断服务两个功能,所述网络训练是指边缘节点从数据基础设施中获取初始训练样本,并在提供诊断服务前执行训练操作,所述诊断服务是指边缘端使用训练好的网络顺序处理用户的诊断请求;
数据基站:数据基站保存无标签数据集和有标签数据集,数据集中的数据主要来自医疗机构的皮肤镜图像或客户端上传用于诊断的数据,医疗机构的皮肤科医生则定期处理未标记数据库中难以识别的请求数据,并将这些样本添加到已标记数据库中。
3.根据权利要求2所述边缘计算网络中基于对比学习的皮肤病智能分类方法,其特征在于:在边缘节点的网络训练中,将识别结果按照置信度进行过滤,并将诊断输出响应给边缘端,由于边缘节点完成了自动诊断,所有的诊断样本都被传送到数据基站,具有高度可信分类结果的样本存储在标记数据库中,而难分样本则存储在未标记数据库中,为了维护和提高服务性能,边缘节点定期从数据基站下载标签和未标签数据,对神经网络作提升训练。
4.根据权利要求1所述边缘计算网络中基于对比学习的皮肤病智能分类方法,其特征在于:编码器为自监督对比训练(Self‑Encoder)和监督对比学习(Sup‑Encoder),它们是用l l u不同的数据集和损失函数分别进行训练,即将有标签数据集{x ,y},和无标签数据集{x}l l l+u划分为两个训练集即监督训练集{x,y}和自监督训练集{x }。
5.根据权利要求4所述边缘计算网络中基于对比学习的皮肤病智能分类方法,其特征在于:所述双编码器具体的训练如下:所述自监督对比训练(Self‑Encoder)具体为:在训练阶段,对每幅图像进行多次增强和使用增强,输入图像经编码器编码为2048维表示向量,并归一化为单位球,在训练过程中,所述自监督对比训练学习从相同原始图像的不同增强中提取相似特征,以及从不同原始图像的不同增强中提取不同特征;
监督对比学习(Sup‑Encoder)具体为:在监督情况下,将自监督对比训练中的归一化特征向量按其标签进行分组,对于特征集中的每一组,将其定义为正分布P的样本,并将其他所有组合合并为负分布Q,对于每一批由N个样本组成,样本i的损失形式如下:其中P(i)表示与样本i同组的样本集合,N(i)是与样本i不同组的样本集合,dist(·,·)是两个特征向量的距离函数;
分类器训练:在编码器训练后,使用标记数据集进行分类器训练,所述标记数据集被转发到两个编码器,输出特征向量被连接到医学图像的全局表示即4096维,然后,分类器通过交叉熵损失评价表征其中 是样本i的标签,是分类器的预测,在梯度传播过程中,编码器的参数被固定,梯度只传递给分类器本身。