这篇文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：
本研究的主要作者为朱灵龙、王亚刚和陈怡，他们来自上海理工大学光电信息与计算机工程学院。研究论文发表在《电子科技》期刊上，网络首发日期为2025年2月24日，正式出版日期为2025年10月15日。论文的DOI为10.16180/j.cnki.issn1007-7820.2025.10.012。
本研究的主要科学领域为计算机视觉，特别是图像分类任务。传统的卷积神经网络（Convolutional Neural Network, CNN）在图像分类中表现出色，但其卷积运算需要大量的乘法和累加操作，计算成本较高。另一方面，Transformer模型因其灵活的自注意力机制（Self-Attention Mechanism）在自然语言处理领域取得了成功，但在计算机视觉任务中，Transformer需要大规模数据以减少过拟合风险，且参数量和计算复杂度较高。针对这些问题，本研究提出了一种名为HTCNet（Hybrid Transformer-Convolution Network）的多阶段图像分类模型，旨在结合CNN和Transformer的优势，提升图像分类的准确性和效率。
研究流程主要包括以下几个步骤：
模型设计：HTCNet模型分为四个阶段。前两个阶段使用卷积模块（Convolution Block）进行特征提取，后两个阶段使用Transformer模块（Transformer Block）进行特征提取。卷积模块采用部分卷积（Partial Convolution）来减少浮点运算次数（Floating Point Operations, FLOPs），而Transformer模块则结合了卷积和自注意力机制，构建了一种高效的自注意力机制。
卷积位置编码（Convolutional Positional Encoding, CPE）：为了获取更多的位置信息，研究提出了一种卷积位置编码模块，该模块可以适应输入分辨率的变化，显著提高模型的准确率。
模型训练与测试：研究在CIFAR-10和ImageNet-1K两个不同规模的数据集上进行了实验评估。通过改变每个阶段的卷积模块和Transformer模块的数量，实例化了不同参数量和计算量的模型。研究采用Adam优化器和余弦衰减学习率策略进行训练，并对比了HTCNet与其他先进分类骨干网络的性能。
消融实验：研究设计了三种消融实验，分别验证了卷积模块的有效性、卷积位置编码的性能优势以及部分卷积的部分比率对模型性能的影响。
模型性能：HTCNet在CIFAR-10和ImageNet-1K数据集上的分类准确率分别达到了95.4%和82.6%。与同等规模的卷积神经网络和其他Transformer模型相比，HTCNet表现出更好的性能。
消融实验结果：在消融实验中，研究验证了卷积模块的有效性，发现卷积模块能够显著提高模型的局部特征提取能力。卷积位置编码模块的引入也显著提高了模型的准确率。部分卷积的部分比率设置为1/4时，模型性能最佳。
注意力可视化：通过Grad-CAM技术对模型的注意力机制进行可视化，研究发现HTCNet对目标物体的注意力更准确和完整，表明其具有更宽广的注意力范围。
本研究提出的HTCNet模型成功融合了CNN和Transformer的优势，在图像分类任务中表现出色。模型中的卷积模块能够提取更多低级特征信息，而Transformer模块则通过自注意力机制增强了模型的全局特征提取能力。卷积位置编码的引入使模型在可变输入分辨率的广泛视觉任务中具有更大优势。实验结果表明，HTCNet作为图像识别领域的通用骨干网络具有较大潜力。
模型创新：HTCNet模型首次将卷积模块和Transformer模块相结合，实现了性能上的互补，显著提高了图像分类的准确性和效率。
部分卷积与卷积位置编码：研究提出了一种部分卷积方法，有效减少了模型的浮点运算次数。卷积位置编码模块的引入使模型能够适应输入分辨率的变化，显著提高了模型的准确率。
实验结果：HTCNet在CIFAR-10和ImageNet-1K数据集上的分类准确率均超过了现有的先进模型，证明了其在图像分类任务中的优越性。
研究还通过消融实验验证了模型各组成部分的有效性，并进行了注意力可视化，进一步证明了HTCNet在图像分类任务中的优越性。此外，研究还探讨了模型在不同环境下的适应性，为未来的研究提供了有价值的参考。
本研究在图像分类领域提出了一个具有创新性和实用性的模型，为计算机视觉任务提供了新的解决方案。