项目概述
这里建议简要说明你的研究动机：为什么需要轻量化 Vision Transformer、现有方法存在什么问题、你的模型解决了哪些痛点。
研究目标
设计一个在保持较高分类准确率的同时，显著降低参数量与计算量的轻量化 Vision Transformer。
核心贡献
你可以在这里写 2~3 条贡献，例如高效模块设计、训练策略改进、部署友好的模型结构等。
应用场景
适用于边缘设备图像分类、资源受限环境推理、移动端视觉任务等场景。
方法设计
用简洁语言说明模型结构。建议分成输入嵌入、主干模块、轻量化模块、分类头四部分。
模型结构
这里写你的模型主流程，例如：Patch Embedding → Efficient Transformer Blocks → Global Pooling → Linear Classifier。
轻量化策略
这里写你的关键设计，例如减少注意力复杂度、改进 FFN、引入卷积先验、分层下采样等。
关键指标
把你最想展示的数据放在最上面，这样访问者一眼就能看懂你的模型价值。
78.6%
Top-1 Accuracy
5.2M
Parameters
0.9G
FLOPs
实验结果
这里放你和其他轻量化模型的对比。你后续只需要把表格里的示例数据替换成自己的真实结果。
| Model | Params | FLOPs | Top-1 Acc | Notes |
|---|---|---|---|---|
| MobileNetV3 | 5.4M | 0.22G | 75.2% | 轻量 CNN 基线 |
| EfficientFormer | 12.1M | 1.3G | 79.2% | 高效 Transformer |
| MobileViT | 5.6M | 2.0G | 78.4% | 移动端友好 |
| LightViT (Ours) | 5.2M | 0.9G | 78.6% | 更优精度/效率平衡 |
可视化结果
这里可以替换成混淆矩阵、训练曲线、注意力可视化、类别示例图等内容。
实验图像 / 曲线图占位
消融实验
建议用一段话总结各个模块的贡献，例如模块 A 带来多少准确率提升，模块 B 如何降低 FLOPs。
- 去掉轻量化模块后，准确率下降 x.x%。
- 替换注意力模块后，FLOPs 增加 x.xG。
- 引入新的训练策略后，Top-1 提升 x.x%。
项目进展
你可以把毕设过程写成时间线，页面会更像正式的科研项目主页。
阶段 1
完成相关文献调研，明确轻量化 ViT 的研究问题与对比基线。
阶段 2
设计模型结构并完成 ImageNet-1k 或其他数据集上的训练实验。
阶段 3
完成消融实验、可视化分析与论文撰写，整理项目页与代码仓库。