为了有效解决类间相似度高、类内差异化大、数据类别不平衡的皮肤病变识别，提出了基于改进AlexNet的可变形卷积网络皮肤病变识别算法. 构建改进的AlexNet可变形卷积网络模型，增加采样偏移量，使不同位置的卷积核采样点可根据图像内容自适应变化，自动调整不同尺度或感受野，提取比标准卷积更精细的特征. 使用交叉熵损失函数和焦点损失函数的加权损失函数，削弱易分类样本在训练中所占的权重，使模型专注于相似度高、易错分的样本，解决样本比例不平衡的问题，优化模型的识别率. 在HAM10000数据集上进行仿真实验，主客观的实验结果表明， 提出的方法在7种皮肤病变上的识别优于现有方法，具有更高的准确性、特异性和鲁棒性.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=ed1906ef-86fb-4d34-b952-6cc7a8a45c48