ABSTRAK
Makalah ini mengusulkan kerangka kerja pembelajaran mendalam multitugas untuk segmentasi dan klasifikasi lesi kulit secara simultan, yang disesuaikan untuk lingkungan dengan keterbatasan sumber daya. Arsitektur tersebut mengintegrasikan ShuffleNet sebagai encoder dalam kerangka kerja U-Net sebagai decoder untuk mengekstraksi fitur. Dengan menggunakan konvolusi yang dapat dipisahkan secara mendalam dan pengacakan saluran ShuffleNet, model tersebut menangkap detail spasial tingkat rendah dan fitur semantik tingkat tinggi. Untuk meningkatkan representasi fitur, jaringan perhatian dinamis multiskala adaptif (AMSDAN) yang diusulkan digunakan pada dua tahap penting: pertama, untuk menyempurnakan peta fitur selama segmentasi dengan menormalkan fitur secara dinamis di berbagai skala; dan kedua, untuk menyempurnakan keluaran tersegmentasi untuk klasifikasi dengan menyorot pola diskriminatif. Pekerjaan yang diusulkan dilatih dan divalidasi menggunakan kumpulan data HAM10000 dan ISIC-2017. Hasil eksperimen menunjukkan bahwa kerangka kerja tersebut mengungguli teknik terkini.