本文探讨了多种基于卷积神经网络的可解释性方法，包括归因技术、梯度和属性算法，以及新提出的CRAFT方法。实验结果表明，这些方法在解释准确度和视觉质量上优于现有技术，并且具有良好的稳定性。此外，研究还提出了新的显著性地图方法和评估指标，以提高模型的可解释性和用户信任。

本文提出了一种名为ViT-ReciproCAM的视觉解释方法，旨在提高Vision Transformer（ViT）模型的可解释性。该方法通过激活令牌与网络预测的相关性生成显著性地图，表现优于现有方法。研究表明，ViT-ReciproCAM在理解和调试ViT模型方面具有良好的定位性能，尤其在医学影像学领域展现了潜力。

本研究提出了一种评估包装设计中品牌标志符关注度的框架，使用YOLOv8进行标志符检测，并结合显著性地图生成全面的品牌关注度评分。结果验证了该方法的优越性，并支持品牌能见度相关的心理物理学假设。

本文介绍了ViT-ReciproCAM，一种用于解决Vision Transformers在图像分类和目标检测中预测错误挑战的梯度无关的视觉解释方法。该方法通过生成局部化的显著性地图来优化ADCC指标，有效地理解和调试ViT模型。

该研究提出了一种新的“公平解释”评估方法，应用于潜在的仇恨言论的内容审查，发现显著性地图通常表现更好，显示出较少的不公平证据。