一张照片怎样被分成小格再认出物体

对着一张照片问模型里面是什么，它并没有先看见一个名字。它看见的是一整张格子。每一格记下明暗和颜色。后面的判断，都从这些格子出发，而不是从一句现成的称呼出发。把这件事看清楚，后面那个很干脆的名称，就不容易被当成直接看穿了画面。

格子先要被切开。整张图太大，模型不会一次比较全部格子。它按固定的边长，把画面分成许多小块。一块里面只有一小片边缘、一小块色面，或者一块几乎均匀的底。块与块之间的位置要保留。位置一乱，左边的杯把会跑到右边，形状就接不上。切开本身不产生名称，它只是把一张大图变成一串可以逐块计算的小图。

最先被比较的是块里的变化，不是块的名字。相邻格子如果亮度差得大，这里就会被记成一条边。颜色突然换了，这里会被记成一条分界。一片区域几乎不变，这里会被记成一块平面。这些记录还很粗。一条边可能属于杯口，也可能属于桌面的缝。模型在这一步只负责把变化标出来，不负责把变化说成一件东西。

粗的标记接着被合起来。几条边如果围成一个接近圆形的圈，这一圈会被留下来。圈的一侧如果伸出一小段，这段会被单独留下来。上下两块色面如果一边亮一边暗，亮暗的交界也会被留下来。合起来之后，画面不再是散乱的格子，而是一组彼此有位置关系的形状。形状仍然没有名字。它只是告诉后面的步骤：这里有一个圈，旁边有一段弯出来的部分，下面有一块比较平的色面。

名称出现在最后一张分数表上。表的每一行是一个可能的称呼，旁边是一个高低不同的分数。分数来自前面那些形状和模型已经调整过的对应关系。圈加大致对称的杯身，分数会偏向杯子。圈加细长的把，分数也会偏向杯子。若画面里主要是长条和叶片状的边缘，分数就会偏向另一类东西。模型取出分数最高的那一行，作为这一次的判断。

最高分并不等于没有旁的可能。第二名如果离得很近，这次判断就还不稳定。光照一变，两行的顺序可能对调。所以只看最后打出来的那一个词，会把犹豫看成确定。更稳妥的读法是同时看前两名差多少。差得远，这一次的形状比较集中。差得近，就说明格子里还有另一套也说得通的形状。

同一样东西，换一个角度，格子会差很多。正对着杯口时，圆圈很大，杯把可能只剩一条短边。侧过去时，杯口变成一条椭圆，杯把却完整露出来。模型不是在找一张完全相同的旧图。它是在看这些不同的小块里，有没有一组反复一起出现的形状。圆、侧壁和把手经常一起出现，分数就还停在杯子上。若角度偏到只剩一条直线，这组形状散了，分数就会漂走。

光线做的事情也很具体。同一只杯子，窗边和灯下的格子不一样。亮的一侧格子数值高，暗的一侧数值低。模型如果只盯着某一块的绝对亮度，就会把阴影当成另一种颜色。它更有用的比较，是格子和旁边格子的差。差还在，边就还在。绝对亮度变了，边的位置常常还留着。因此一张偏暗的照片，只要边缘没有糊掉，名称往往还能停在原来的东西上。

糊掉是另一种失败。对焦不准，或者拍摄时晃了一下，相邻格子的差会被抹平。边不再陡，分界变得含混。前面那种先找边的步骤，能留下的标记就少。标记少了，后面的圈和把手都接不完整，分数表上的高分会散开，甚至跑到一个更常见的称呼上。所以模糊不是名称突然变了，而是切出来的小块里，变化本身已经不够用。

画面里不只有一件东西时，分数会被大块的区域带走。杯子旁边如果有一大片窗帘，窗帘占的格子多，它的边缘也多。模型若没有先把注意力收回到较小的那一块，最高分可能停在窗帘的纹理上，杯子只是角落里的一小圈。这不是它故意忽略杯子。格子多的那一片，在合形状的时候声音更大。想让小的物体被看见，画面里就得让它占住足够的块，而不是只在边上露几个格子。

背景还会制造假的边。桌布的花纹、屏幕上的色块、窗框的直线，都会在第一步被记下来。这些边如果恰好围出类似的圈，分数表就会多出一个竞争者。竞争者不一定赢，但会把最高分拉近。读结果时，若前两名一个是杯子、一个是盘子，先看画面里是不是有一圈很圆的盘沿。那一圈很可能就是把分数拉开的原因。

颜色只能当辅助。白杯子换到黄光下面，格子的颜色数值会整体偏移。若模型主要靠某一块的颜色做判断，名称就会跟着光走。靠边缘和形状时，颜色偏移的影响小一些。反过来，两件形状几乎一样、只靠颜色区分的东西，在光线一变时最容易被叫混。遇到这种容易混的一对，不能只听一个词，要回到格子里看区分它们的那一种变化还在不在。

小块的边长也会影响结果。块切得太大，一条细的杯把会被平均进周围的桌面，边就消失了。块切得太小，计算能看见的范围又太窄，圈要靠很多块才能拼上，拼的过程更容易断。模型使用的边长是事先定好的。它不能因为这一张图里的把特别细，就临时把块改小。所以特别细、特别远的部分，本来就更容易在切开时被冲淡。

还有一种看起来很有把握的错。分数表上第一名高出一截，词也说得很具体，可它指的是画面里次要的那一件。比如桌面上杯子很大，后面墙上还有一个钟。钟的圆形更规则，分数可能集中到钟上。人眼先注意到杯子，是因为人知道自己在看什么。模型没有这句事先的指定，它只比较哪一组形状更完整。完整的那一组不一定是人第一眼想问的那一组。

因此，在把照片交给模型之前，可以先把要问的区域收小。只留下杯子和紧挨着的桌面，把窗帘、窗框和远处的圆形裁出去。裁完之后，格子里的边大多数属于同一件东西，分数就不容易被旁边的圆形抢走。这不是在改模型的计算，而是在减少进入小块的无关变化。无关变化少了，合出来的形状才单纯。

模型也不会因为你换了一个问法，就改用另一套格子。问里面是什么，和问这是不是杯子，用的仍是同一张切开的图。差别在最后怎么读分数表。前一个问法取出最高的那一行。后一个问法只看杯子那一行高不高、和第二名差多少。格子一样，读法不一样，回答的口气就会不一样。把问法说成确认，而不是开放地要一个名字，犹豫会更容易露出来。

连续看很多张时，还要防止上一张的结论溜进下一张。若系统把上一张的名称也放进这一轮的上下文，新的格子还没算完，旧名称已经占了一个位置。画面稍有相似，回答就可能沿用旧名称。稳妥的做法是每一张都单独算，不把上一张的词交给下一张。这样每一次的分数只来自当前这些小块。

人在看结果时，容易被那个单独的名词说服。名词越短，越像已经看清楚了。其实名词只是分数表上的一行。它背后是边、圈、侧壁这些还没有名字的形状。把名词先放下，问自己：画面里有没有一条闭合的边，有没有一块比较均匀的色面，有没有一段伸出来的部分。这三样都在，名称才有地方可放。少了一样，就该把这次判断当成还不稳定。

也可以用两张差一点点的照片互相核对。一张清晰，一张稍微模糊。清晰的那张如果给出杯子，模糊的那张却给出另一个词，说明这次判断依赖的边很细，一抹平就散。两张给出同一个词，而且都和画面里的主要形状对得上，这次才比较牢。核对的是形状还在不在，不是在收集更多说法来增加口气。

最后把这条过程收拢。照片先变成明暗和颜色的格子，格子按固定边长切开，变化被记成边和分界，边再合成圈和侧壁，最后才在分数表上取出一个名称。名称可不可信，要看最高分是不是明显离开第二名，也要看画面里那些边是不是真的属于你想问的那一件。知道这条线，就不会把一个词当成对照片的直接观看，而会把它当成一次有限的形状比较。