近年来，随着深度学习技术的飞速发展，研究人员开始尝试将Vision Transformer(ViT)应用于细粒度图像分类.然而，尽管ViT的多头自注意力机制赋予了模型强大的全局信息捕捉能力，但在关注局部微小且判别力强的区域上仍显不足，这在一定程度上限...