视觉Transformer是否像卷积神经网络一样观察？

这篇文章提出了一个研究问题，比较了视觉Transformer (ViT) 和卷积神经网络 (CNN) 的视觉处理方式。核心问题是，这两种以不同方式处理图像分析的架构，是否以类似的方式感知和解释视觉信息。这是理解这些AI模型内部运作和潜在偏差的一个基本问题。