引言：揭示视觉Transformer的解释挑战 在计算机视觉应用中，Transformer模型的流行度迅速上升，但对其内部机制的后置解释仍然是一个未探索的领域。视觉Transformers通过将图像区域表示为转换后的tokens，并通过注意力权重将它们整合起来来提取视觉信息。然而，现有的后置解释方法仅考虑这些注意力权重，忽略了转换tokens中的关键信息，这无法准确地展示模型预测背后的逻辑