图像分类技术作为计算机视觉领域的基石，其在社会认知和实时应用中的重要性日益凸显。特别是轻量化图像分类模型，不仅能够减少计算和存储需求，而且能够在资源受限的移动环境中保持高效运行，这对于推动计算机视觉技术在移动设备上的广泛应用具有重要意义。在深度学习技术的推动下，卷积神经网络(Convolutional Neural Networks, CNN)^[1]已成为图像分类领域的主流方法。CNN使用卷积核在输入图像上提取局部特征，并通过逐层抽象构建起图像的高层表示。然而，CNN的局部感受野限制了其捕捉图像全局上下文的能力，以及其在处理需要全面理解图像内容的任务中的表现。

Dosovitskiy等^[2]提出的Vision Transformer (ViT)首次将自然语言处理中极为成功的Transformer架构引入到计算机视觉任务中，在图像分类问题上取得了突破性进展。ViT架构的核心组件是多头自注意力(Multi-Head Self Attention，MHSA)机制，它将特征图切分为多个固定大小的图像块(Patch)并进行独立编码，使得每个图像块都能够独立地参与到注意力计算中，通过多个自注意力头独立地计算注意力权重，最后对这些权重进行聚合，生成最终的全局特征表示。MHSA机制使得ViT拥有强大的全局特征捕捉能力，但受到图像切分操作的干扰，MHSA机制的局部特征提取能力存在天然缺陷。这一缺陷源于MHSA机制将特征图切分为多个独立的图像块后，仅在这些图像块之间进行注意力操作，而不会像CNN那样对图像块内部的特征进行卷积或者局部感受野的处理。此外，ViT通常专注于单一尺度的学习，这也限制了其表达复杂视觉信息丰富性的能力，在运用到下游任务时，ViT无法充分捕捉到关键的多尺度特征，从而导致多尺度信息的丢失。

可见，传统的CNN擅长提取图像的局部特征，但全局建模能力较弱，而ViT恰恰相反，它能够很好地捕捉全局特征，但提取局部特征和多尺度特征的能力不足。为了充分利用两者的优势，研究者们设计了一系列融合ViT和CNN优秀特性的混合模型，如Pyramid Vision Transformer (PVT)^[3]、PVT v2^[4]、EdgeViT^[5]、LeViT^[6]、CMT^[7]、LocalViT^[8]、EfficientViT^[9]、UNETR++^[10]、SUNet^[11]等。Wang等^[3]提出的轻量化混合模型PVT在ViT的基础上，集成了特征金字塔网络(Feature Pyramid Network，FPN)^[12]结构。该结构的设计灵感来源于如Resnet50^[13]等经典模型，通过在ResNet50等模型的每个层次(Stage)递减特征图的空间尺寸，并相应地增加特征维度，实现对多尺度特征的提取。然而，PVT采用的这一设计模式在实际应用中存在一定的局限性，具体而言，每个层次完成特征提取等任务后，该层次的特征信息便被丢弃，这种处理方式在一定程度上制约了模型在同一个层次内提取和利用多尺度信息的能力。另外，针对ViT中MHSA机制计算成本高的问题，PVT引入了空间降维注意力(Spatial-Reduction Attention, SRA)机制。SRA机制的核心在于，在执行注意力操作之前，先对特征图进行下采样，降低键(Key)和值(Value)的维度。SRA机制在保证性能的同时，显著降低了模型的计算开销，使PVT在资源受限环境中具有更高的适用性。Pan等^[5]提出的EdgeViT也采用类似PVT的FPN结构来提取多尺度的特征信息。然而，PVT和EdgeViT在执行最终的分类任务时，仅利用了模型中最后一个层次的特征信息。尽管以上模型都通过FPN结构成功提取了不同层次的特征，但这些特征并未通过解码等技术手段进行有效的多尺度融合，这极大地限制了模型在综合利用不同尺度特征方面的潜力。

针对上述问题，本文构建了融合多尺度特征的轻量化图像分类混合模型(Multi-Scale Vision Transformer，MSViT)，MSViT主要包含两个模块: 融合空间和多尺度通道特征的编码器(Encoder Incorporating Spatial and Multi-scale Channel Features，ESC)模块、级联特征融合解码器(Cascade Feature Fusion Decoder，CFFD)模块。其中，ESC模块融入多尺度前馈神经网络(Multi-Scale Feed Forward Network, MSFFN)，可以有效提取多尺度通道特征信息，增强局部特征的表达；CFFD模块引入FPN来加强多尺度特征的交互，并通过多层次聚合损失来增强图像分类精度，同时加速训练收敛。

1 相关工作

在探索ViT的多尺度特征提取表示能力的过程中，Pan等^[5]基于ViT提出一种轻量化的FPN模型EdgeViT，并提出一种结合CNN局部特征提取优势和ViT全局特征捕捉能力的轻量化混合架构。EdgeViT模型整体框架如图 1所示。

首先，EdgeViT引入了FPN结构，能够实现在不同的层次上采用不同大小的Transformer块。这允许模型在早期层次使用较小、计算成本较低的块，而在更深的层次则使用较大、能力更强的块。这种层次化方法有助于平衡模型的性能及其计算成本，使得模型即使在资源有限的设备上也能有效运行。其次，在每个层次中，EdgeViT引入了Local-Global-Local Bottleneck(LGL)机制，这一机制的核心在于通过分阶段的注意力计算来平衡局部和全局特征的表示。LGL机制的工作流程如下：首先在局部图像块(Token)之间进行局部特征聚合，获得一组有代表性的token；然后将这一组token输入到全局稀疏注意力(Global Sparse Attention, GSA)中建模token之间的全局关系，并将学习到的上下文信息扩散回局部非代表token中；最后通过前馈神经网络(Feed Forward Network, FNN)进一步增强特征的表示能力。最终，模型根据最高层级的特征信息，即最后一个层次输出的特征，来执行分类任务。这一设计策略使得EdgeViT能够在减少计算复杂度的同时，有效地捕捉、融合局部和全局的视觉信息，为图像识别任务提供了一种新的视角。

尽管EdgeViT在多尺度和稀疏注意力方面有所创新，但是其特征融合过程仍有改进空间，特别是在实现不同尺度特征间的深度交互和融合方面。值得注意的是，在LGL模块的设计中，FNN组件仅采用了多层感知器(Multi-Layer Perceptron, MLP)对特征图进行基础的特征提取，而并未充分考虑在不同尺度下特征信息的多样性和复杂性。本文提出的MSViT在EdgeViT的基础上，进一步探讨了如何改进FNN组件，以更有效地捕获和整合局部的多尺度信息。

2 方法 2.1 模型概述

MSViT在基于ViT架构获取全局空间和通道信息的同时，又融合FPN结构以提取多尺度局部特征，因此能更好地处理图像分类任务。由图 2可见，MSViT主要由ESC模块和CFFD模块构成。其中ESC模块主要由4个层次(MStage)组成，每个MStage包含用于提取空间特征信息的GSA模块和捕获通道特征信息的MSFFN模块。ESC具体实现方式是在基准编码器中融入MSFFN模块，提取多尺度通道特征信息，最后将空间特征和多尺度通道特征进行信息融合。CFFD以级联的方式，将FPN结构融入ViT架构中，加强不同分辨率的特征交互。此外，从分层解码器的不同阶段聚合和优化多个损失，提升图像分类的精确度和训练收敛速度。

2.2 融合空间和多尺度通道特征的编码器(ESC)

图 3是ESC模块中每个MStage的详细结构图，其中本文提出的提取通道特征信息的MSFFN模块如图 3(b)所示。

多尺度通道特征反映了图像在不同分辨率下的通道特征信息，而这些信息对图像分类任务非常重要。传统前馈神经网络在特征提取方面主要依赖于固定大小的输入，这限制了它们处理不同尺度特征的能力，难以充分利用多尺度通道特征。为此，模型将经过GSA模块处理后输入MSFFN模块的特征图按照通道维度(C)进行切分，得到K个特征图子集。随后对每个子集的特征图独立应用深度可分离卷积提取到多尺度的特征信息。这种方法不仅提高了模型对多尺度通道特征的利用效率，而且增强了其对不同尺度信息的捕捉能力。其具体步骤如下：首先在每个MStage中，对输入MSFFN模块的特征图$X_S \in$ $\mathbb{R}^{H \times W \times C}$，按照C平均切分得到K个特征图子集$X_k \in \mathbb{R}^{H \times W \times C K}$，其中，H表示图像的高度(Height)，W表示图像的宽度(Width)，CK=C/K；然后分别对每个特征图子集$X_i \in \mathbb{R}^{H \times W \times C_i}(i \in[1, K])$使用K个大小不同的卷积核做深度可分离卷积，获取多尺度通道特征信息。同时，模型为了确保原始特征的完整性，除了应用K个不同尺寸的卷积核提取特征外，MSFFN模块还引入了残块结构，弥补丢失的特征；最后，将K+1个特征图子集按通道拼接，再经过一个逐点卷积，在深度方向上进行加权组合，有效整合通道的多尺度特征，增强模型对复杂数据结构的表征能力。MSFFN模块的伪代码如下所示。

算法1 MSFFN(X)

输入：$X_S \in \mathbb{R}^{H \times W \times C}$    //输入特征矩阵X_S

输出：$X^{\prime} \in \mathbb{R}^{H^{\prime} \times W^{\prime} \times C^{\prime}}$    //输出特征矩阵X′

{

$X_C=\operatorname{Conv}\left(1 \times 1, X_S\right); $

$\left(X_1 \cdots X_k\right)=\operatorname{split}\left(X_C, \operatorname{dim}\right); $   //按通道切分成k份

for(i=1 to k)

  ${X_i} = {\mathop{\rm GELU}\nolimits} ({\mathop{\rm DWConv}\nolimits} ((2i - 1) \times (2i - 1),\left. {{X_i}} \right)){\rm{ }}$;   //执行不同卷积核的深度可分离卷积

  $X_C=\operatorname{concat}\left(X_C, X_i\right); $

end for

$X^{\prime}=\operatorname{Conv}\left(1 \times 1, X_{C}\right); $   //逐点卷积，深度方向加权组合特征信息

$X^{\prime}=X^{\prime}+X_{S}$;    //空间特征和多尺度通道特征融合

return $X^{\prime}$；

}

2.3 级联特征融合解码器(CFFD)

传统的EdgeViT利用最后一个层次获得的特征进行图像分类。然而在模型运行期间，每一个层次的执行都获得了不同尺度、不同空间位置的局部信息，为了充分利用这些信息以取得更好的分类效果，本文提出一种新的CFFD。如图 2(b)所示，CFFD主要由特征融合和多阶损失优化两个部分组成。

2.3.1 特征融合

记每个MStage的输出特征图为MStage[i]，为了匹配MStage[i－1]阶段的特征并进行融合，将MStage[i]输出的特征图做上采样操作，与MStage[i－1]的输出进行特征融合，最后计算MStage[i]的预测概率y_i，具体操作如公式(1)和(2)所示, 其中，Upconv()为上采样函数。

$ \text { MStage }_{\text {up }}[i]=\operatorname{Upconv}(\operatorname{MStage}[i+1])+\text{MStage}[i]，$

(1)

$ y_i=\operatorname{Softmax}\left(\operatorname{MStage}_{\mathrm{up}}[i]\right), $

(2)

2.3.2 多阶损失优化

为了聚合和优化图像最终的分类性能，每个MStage均单独计算1个损失，最后4个损失累加算出最终预测结果。本文采用交叉熵函数计算每个图像的真实概率p和预测概率y_i之间的损失，具体计算公式如(3)和(4)所示：

$ \operatorname{loss}_i\left(p, y_i\right)=-\sum\limits_{i=1}^n p \cdot \log \left(y_i\right) , $

(3)

$ \operatorname{loss}=\alpha \cdot \operatorname{loss}_1+\beta \cdot \operatorname{loss}_2+\mu \cdot \operatorname{loss}_3+\theta \cdot \operatorname{loss}_4, $

(4)

其中，n代表类别数量，loss_i代表第i个MStage预测头的损失，α、β、μ和θ是单个预测头的损失权重，在实验中，α、β、μ和θ均设置为0.25。根据4个预测头计算总损失loss，模型能够动态地调整图像分类的最优预测并输出最终预测概率，从而有效地提升模型性能。CFFD模块的伪代码如下所示。

算法2 CFFD(X)

输入：$X \in \mathbb{R}^{H \times W \times C} $   //输入特征矩阵X

输出：预测概率y    //输出预测概率

{

for i=1 to n:   //循环调用算法1得到4个MStage的输出

     X_S=GSA(X);   //GSA(X)为执行全局稀疏注意力函数

     MStage[i]=MSFFN(X_S);

end for

MStage_new[n+1]=MStage[n];

for i=n to 1:  //循环计算第4至第1个stage的loss

     MStage_new[i]=MStage_new[i+1]+MStage[i];    //特征融合

     MStage_up[i]=Upconv(MStage_new[i]);  //上采样操作

       $y_{i}=\operatorname{Softmax}{\left(\operatorname{MStage}_{\text {up }}[i]\right)}$；  //求第i层预测概率

       $\operatorname{loss}_{i}\left(p, y_{i}\right)=-\sum_{i=1}^{n} p \cdot \log \left(y_{i}\right); $   //求第i层loss

end for

       $\operatorname{loss}=\alpha * \operatorname{loss}_{1}+\beta * \operatorname{loss}_{2}+\mu * \operatorname{loss}_{3}+\theta * \operatorname{loss}_{4};$    //多阶损失优化

return最优预测概率y;

}

3 实验与结果分析 3.1 数据集

为了验证本文提出的MSViT的有效性和泛化性，在4个图像分类数据集上进行实验，分别为ImageNet-1k的1个子集(Small_ImageNet)、Cifar 100、糖尿病视网膜病变数据集(APTOS 2019)、蘑菇数据集(Mushroom 66)，这4个数据集的图像数量如表 1所示。

Small_ImageNet是Kaggle(www.kaggle.com)上一个公开的数据集，由DeepMind团队创建，用于支持资源受限情况下的图像识别研究。它包含1 000个类别，每个类别100张图片，共计10万张图片。由于硬件限制，选择了Small_ImageNet作为实验数据集，它特别适用于小样本学习(Few-shot learning)的研究。通过使用该数据集，研究人员可以在有限的资源下探索和验证模型的性能。

Cifar 100是图像分类中最常用的数据集之一，共有6万张照片，主要包含100个类别，每个类别有600张照片。其中20个高级分类，每个高级分类里面又包含5个子类。相较于Cifar 10数据集，Cifar 100数据集更具挑战性，常用于细粒度分类任务。

APTOS 2019也是Kaggle上的公开数据集，是由印度的Aravind眼科医院收集的糖尿病视网膜病变图构成，可用于眼科疾病的检测研究，该数据集共有5个类别，每个类别有2 000张照片。

Mushroom 66是本团队在专业人员指导下收集所得的私有数据集，该数据集共有15 947张照片，共有66个类别。Mushroom 66数据集的图像大部分是在自然场景下的蘑菇图片，背景噪声较多，符合实际应用场景。

3.2 实验设备和超参设置

实验环境为Ubuntu 18.04.6 LTS系统，CPU为Intel Core i9-10980XE CPU@3.00GHz，显卡GPU为NVIDIA GeForce RTX4080，显存16 GB。实验基于PyTorch深度学习框架，开发环境为PyTorch 1.10.1，Cuda 11.8，Python 3.8。模型训练迭代200个epochs，训练批次大小为64，初始学习率为0.001，weight_decay为0.000 1，优化器使用Adam。

3.3 实验说明

为了保证实验结果的公平性，所有模型均不使用预训练权重，且图片输入统一为224×224，所有模型的训练参数设置保持一致。实验首先对Small_ImageNet、APTOS 2019和Mushroom 66 3个数据集以训练集∶验证集=8∶2的比例进行随机划分，这一比例是参考了当前主流模型^{[4, 5, 14]}的实验设置。对于Cifar 100数据集，则是遵循官方的分割比例，即训练集∶验证集=5∶1，这是根据该数据集的标准实践所得。其次，为了确保实验的可复现性，在实验中特别设置了随机数种子，以增强对比实验的可靠性和可对比性。

3.4 对比实验

在相同实验环境下，将本文提出的MSViT和当前主流的图像分类模型在未使用预训练权重的前提下进行详细实验和数据对比。对比模型有RepMLPNet-T^[15]、Hornet-T_7×7^[16]、FasterNet-T^[17]、TransXNet-T^[18]、Agent-PVT-T^[19]、RepVGG-A0^[20]、MPViT-T^[21]、PVT v2-B0^[4]、MobileViT-XS^[22]和EdgeViT-XXS^[5]等，实验指标包含参数量(Params)、浮点计算量(FLOPs)、Top-1准确率和Top-5准确率，结果详见表 2至表 5(其中加粗数据表示各模型中的最高准确率)。

表 2是MSViT与当前主流图像分类模型在Small_ImageNet数据集上的比较分析结果。本实验中，MSViT在Small_ImageNet数据集上的表现突出，其Top-1准确率达到了87.58%，相较于基线模型EdgeViT-XXS提升了2.27%。此外，MSViT的Top-5准确率相较于基线模型EdgeViT-XXS也实现了接近1%的提升，与其他主流图像分类模型相比，MSViT取得了更高的准确率。Small_ImageNet数据集包含了1 000个类别，每个类别在尺寸和形态上存在差异，这对模型的泛化和适应性提出了更高要求。MSViT通过MSFFN模块可以有效增强多尺度特征的表达能力，进而全面关注每个类别的特征。此外，模型中的CFFD模块进一步优化了特征整合，辅以多损失函数的联合优化策略，有效提升了预测精度。这些设计使得MSViT在Small_ImageNet数据集上取得了优异的表现。

同理，在Cifar 100、APTOS 2019以及Mushroom 66这3个数据集上深入探讨了MSViT的性能并与其他模型进行了详尽的对比实验。这些实验旨在全面评估MSViT在不同数据集上的表现，并与现有的先进模型进行比较。表 3、表 4和表 5分别展示了MSViT在Cifar 100、APTOS 2019和Mushroom 66数据集上得到的实验结果，这些结果不仅提供了MSViT性能的直观展示，而且也为进一步的模型优化和算法改进提供了重要的参考依据。这3个数据集各具特性：在Cifar 100数据集中，超类中子类之间存在高度的相似性，这要求模型能够区分细微尺度的特征差异；APTOS 2019数据集包含了视网膜病变的早期迹象，如血管壁变薄导致的深红色点状物和暗斑，以及毛细血管坏死时的亮点絮状物或白斑，这些特征要求模型具备高度的敏感性；Mushroom 66数据集的自然场景图像具有复杂的背景、不同的图像尺寸以及目标物体的遮挡、光照和模糊等变量，这对模型的特征提取能力提出了更高的要求。MSViT针对这些挑战，通过在不同尺度上观察并抽取图像的关键信息并将特征交互融合，有效地整合了多尺度特征，让模型具备更强大的分类性能，进而在各个数据集上都取得了优异的性能表现。

根据以上实验结果可知，本文提出的MSViT在所有数据集上均表现出色。MSViT具有更好的分类效果主要有以下原因：首先，相较于RepMLPNet-T、RepVGG-A0等纯卷积深度学习模型，MSViT融入了MHSA机制，能够更好地提取全局的特征信息，增强了全局特征的表达能力；其次，与Hornet-T_7×7、TransXNet-T、Agent-PVT-T、FasterNet-T、MpViT-T和EdgeViT-XXS等模型相比，MSViT在全连接层融入了多尺度特征增强模块，有针对性地捕获和增强多尺度特征信息，更有利于图像分类任务；最后，MSViT不仅在FNN中融入多尺度信息，还通过级联的方式将多尺度特征进行交互融合，加深了模型的特征表达，进而显著提升了模型性能。

为了更直观地观察对比实验中主要模型在4个数据集上的表现，将4个数据集的Top-1准确率实验结果通过柱状图进行展示，如图 4所示。

从表 2至表 5以及图 4的柱状图可以看出，MSViT在Top-1和Top-5准确率上取得了显著提升。模型的准确率是一个关键的性能指标，但模型的轻量化程度也是研究中不可忽视的一个重要方面。如图 5所示，通过对比主要模型(包括EdgeViT-XXS等)的Params和FLOPs指标，可以发现MSViT在提高Top-1和Top-5准确率的同时，相较于FasterNet、RepVGG-A0、RepMLP-T等模型，其Params和FLOPs均有不同程度的减少。但与基准轻量化混合模型EdgeViT-XXS相比，MSViT的Params和FLOPs却有一定的增加量。具体而言，MSViT通过引入MSFFN和CFFD模块，导致Params增加了0.88 M，FLOPs增加了0.27 G。尽管如此，Params和FLOPs的增加带来了显著的性能提升：MSViT的Top-1准确率在Small_ImageNet、Cifar 100、APTOS 2019和Mushroom 66数据集上分别提升了2.27%、2.30%、11.05%和4.87%。因此，本文认为这种参数量和计算量的增加是合理的，并且与所获得的性能提升相匹配。

3.5 消融实验

本文提出的MSViT主要包含MSFFN和CFFD两大模块。为了验证本文提出模块的有效性，本节在4个数据集上分别对MSFFN和CFFD两个模块进行消融实验。消融实验依旧以Params、FLOPs、Top-1准确率和Top-5准确率为评估指标。以EdgeViT-XXS为基准模型，在4个数据集上的消融实验结果如表 6至表 9所示。其中，√为使用该模块，×为不使用该模块; 加粗数据表示各模型中的最高准确率。

图 6为MSViT在不同数据集上的消融实验折线图。由表 6和图 6(a)可知，在Small_ImageNet数据集上，在基准模型的基础上使用MSFFN模块，Top-1准确率提升了1.38%，说明提取多尺度特征非常必要；增加CFFD模块后，Top-1准确率也提升了1.20%，证明不同尺度的特征融合也有助于图像精准分类。既使用MSFFN模块，又使用CFFD模块时，实验效果最佳，Top-1准确率能达到87.58%，相比基准模型提升了2.27%，Top-5准确率达到了96.41%，相比基准模型提升将近1%。由表 7和图 6(b)可知，在Cifar 100数据集上，在基准模型基础上使用MSFFN模块，Top-1准确率提升了1.31%；增加CFFD模块后，Top-1准确率也有所提升，二者同时使用时，实验效果最佳，Top-1准确率能达到73.18%，相比基准模型提升了2.30%。由表 8和图 6(c)可知，在APTOS 2019数据集上，在基准模型基础上使用MSFFN模块，Top-1准确率提升了6.25%；增加CFFD模块后，Top-1准确率提升了5.75%，二者同时使用时，Top-1准确率能达到83.90%，相比基准模型提升了11.05%，说明MSViT在实际应用数据集上效果更好。由表 9和图 6(d)可知，在Mushroom 66数据集上，在基准模型的基础上引入MSFFN模块，模型的Top-1准确率显著提升了3.48%。进一步地，当加入CFFD模块时，Top-1准确率再次获得了2.40%的提升。当这两种技术联合使用时，模型的Top-1准确率达到了83.20%，与基准模型相比，实现了近5%的显著提升。这一结果充分证明了模型在性能上的显著改进和有效性。

从以上4个数据集的消融实验结果可以观察到，无论是只添加MSFFN或CFFD模块，模型的图像分类性能均有所提升，尤其是在应用型数据集上提升效果非常明显，在APTOS 2019数据集上，二者同时使用时，Top-1准确率提升了11%，在Mushroom 66数据集上Top-1准确率提升了将近5%。只添加MSFFN模块时，增加的Params和FLOPs几乎可以忽略不计，这是因为MSFFN模块的多尺度卷积使用的是深度可分离卷积。只添加CFFD模块时，Params增加了0.74 M，FLOPs增加了0.22 G。这主要是由于融入多尺度分层金字塔结构，层与层之间的矩阵运算会导致Params和FLOPs增加。

以上消融实验结果表明，本文所提出的MSFFN和CFFD模块均显著增强了图像分类的性能。这些结果不仅验证了MSViT在图像分类任务中的有效性，还证实了其在实际应用中的可靠性。

4 结束语

本文提出一种融合多尺度特征的轻量化图像分类混合模型(MSViT)，该模型在基于ViT架构获取全局空间和通道信息的同时，又融合FPN结构提取多尺度局部特征，能更好地处理图像分类任务。MSViT的整体架构由ESC和CFFD构成。其中ESC通过在FNN模块中整合多尺度卷积，有效增强了模型对多尺度特征信息的捕捉能力。而CFFD利用级联机制实现多尺度特征的交互融合，显著提升了图像分类的性能。为了验证MSViT的可靠性和有效性，在4个不同的图像分类数据集上进行了广泛的对比实验和消融实验，实验结果一致表明MSViT在保持轻量化的同时，实现了对现有轻量化模型准确率的提升。

然而，通过分析实验结果，发现在要求细粒度特征提取能力较强的数据集上，MSViT的性能提升幅度相对较小，模型在处理需要更精细特征识别的任务时还有可改进的空间。下一步，将深入探索如何进一步提升模型的细粒度特征提取能力，以实现在更广泛的图像分类任务中获得更均衡的性能提升。