AI犬种识别革命：像专家一样思考的形态特征解码器 原创

本文提出一种基于仿生学原理设计的形态特征提取器，通过模拟专家认知过程整合多尺度特征分析，使AI犬种识别准确率提升至90%，并为医学影像等细粒度识别领域提供技术启示。

AI真的能像人类专家一样区分狗的品种吗？

有一天散步时，我看到一只毛茸茸的白色小狗，心想：“那是比熊犬还是马耳他犬？”无论我怎么仔细看，它们看起来都几乎一模一样。对于哈士奇和阿拉斯加雪橇犬、柴犬和秋田犬，我总是犹豫不决。专业兽医和研究人员如何一眼就发现差异？他们关注的是什么？

在开发PawMatchAI程序的过程中，这个问题一直萦绕在我的脑海中。有一天，在努力提高模型的准确性时，我意识到当我识别物体时，我并不会一次性处理所有细节。相反，我会先注意到整体形状，然后再将注意力集中在特定特征上。这种“由粗到精”的处理方式是否是专家如此准确地识别相似犬种的关键？

深入研究后，我偶然发现了一篇认知科学论文，证实人类的视觉识别依赖于多层次特征分析。专家们不仅会记住图像，还会分析结构化特征，例如：

• 整体身体比例（大型犬与小型犬、方形与细长形体形）​
• 头部特征（耳朵形状、口鼻长度、眼睛间距）​
• 毛皮的质地和分布（柔软、卷曲、光滑、双层、单层）​
• 颜色和图案（特定标记、色素分布）​
• 行为和姿势特征（尾巴姿势、行走方式）​

这让我重新思考了传统的CNN（卷积神经网络）。虽然它们在学习局部特征方面非常强大，但它们并没有像人类专家那样明确区分关键特征。相反，这些特征纠缠在数百万个参数中，没有明确的可解释性。

因此，我设计了形态特征提取器，这种方法可以帮助人工智能以结构化层次分析品种——就像专家所做的那样。这种架构特别关注身体比例、头部形状、皮毛质地、尾巴结构和颜色图案，使人工智能不仅能看见物体，还能理解它们。

PawMatchAI是我的个人项目，可以识别124种狗品种，并根据用户偏好提供品种比较和推荐。如果你有兴趣，可以在Hugging Face Space上尝试，或者在GitHub上查看这个程序的完整代码：

• HuggingFace: ​​PawMatchAI​​​
• GitHub：​​PawMatchAI​​在本文中，我将深入探讨这种受生物启发的设计，并分享如何将简单的日常观察转化为实用的AI解决方案。

1.人类视觉与机器视觉：两种截然不同的感知世界的方式

起初，我以为人类和人工智能识别物体的方式相似。但在测试了我的模型并研究了认知科学后，我发现了一件令人惊讶的事情，人类和人工智能处理视觉信息的方式实际上完全不同。这彻底改变了我对基于人工智能的识别的看法。

人类视觉：结构化和自适应

人类视觉系统在识别物体时遵循高度结构化但灵活的方法：

• 先看大局：我们的大脑首先扫描物体的整体形状和大小。这就是为什么只要看一眼狗的轮廓，我们就能很快判断它是大型犬还是小型犬。就我个人而言，这总是我发现狗时的第一直觉。​
• 关注关键特征：接下来，我们的注意力会自动转移到最能区分一个品种和另一个品种的特征上。在研究过程中，我发现专业兽医经常强调耳朵形状和口鼻长度作为品种识别的主要指标。这让我意识到专家是如何快速做出决定的。​
• 从经验中学习：我们见的狗越多，我们的识别过程就越完善。第一次看到萨摩耶的人可能会关注它蓬松的白色皮毛，而经验丰富的狗爱好者会立即认出它独特的“萨摩耶微笑”，即独特的上翘嘴形。​

CNN如何“看”世界

卷积神经网络（CNN）遵循完全不同的识别策略：

• 难以解释的复杂系统：CNN确实可以学习从简单的边缘和纹理到高级特征的模式，但所有这些都发生在数百万个参数中，因此很难理解模型真正关注的是什么。​
• 当AI混淆背景中的狗时：我遇到的最令人沮丧的问题之一是，我的模型总是根据周围环境错误地识别品种。例如，如果一只狗在雪地里，它几乎总是会猜出它是西伯利亚哈士奇，即使品种完全不同。​

2.形态特征提取器：来自认知科学的启发

（1）核心设计理念

在PawMatchAI的整个开发过程中，我一直在尝试让模型像人类专家一样准确地识别外观相似的狗品种。然而，我早期的尝试并没有按计划进行。起初，我认为训练具有更多参数的更深层CNN会提高性能。但无论模型变得多么强大，它仍然无法识别相似的品种，会把比熊犬误认为马耳他犬，或者把哈士奇犬误认为爱斯基摩犬。这让我不禁怀疑：人工智能真的能通过变得更大、更深来理解这些细微的差异吗？

然后，我回想起我以前注意到的一件事，当人类识别物体时，我们不会一次性处理所有的事情。我们首先查看整体形状，然后逐渐放大细节。这让我想到，如果CNN可以模仿人类的物体识别习惯，从整体形态开始，然后关注细节特征，会怎么样？这会提高识别能力吗？

基于这个想法，我决定不再简单地让CNN变得更深，而是设计一个更结构化的模型架构，最终建立了三个核心设计原则：

• 明确的形态特征：这让我开始思考自己的问题——专业人士究竟在关注什么？事实证明，兽医和品种专家不仅仅依靠直觉，他们遵循一套明确的标准，专注于特定的特征。因此，我没有让模型“猜测”哪些部分很重要，而是将其设计为直接从这些专家定义的特征中学习，使其决策过程更接近人类认知。​
• 多尺度并行处理：这符合我的认知洞察——人类并不是线性地处理视觉信息，而是同时关注不同层次的特征。当我们看到一只狗时，我们不需要先完成对整体轮廓的分析，然后再观察局部细节；相反，这些过程是同时发生的。因此，我设计了多个并行特征分析器，每个分析器都关注不同尺度的特征，它们协同工作，而不是按顺序工作。​
• 为什么特征之间的关系比单个特征更重要：我意识到，仅凭单个特征通常不足以确定品种。识别过程不仅仅是识别单个特征，还在于它们如何相互作用。例如，如果一只狗身体修长，毛发短、耳朵尖，那么它可能是杜宾犬。但如果同样的组合出现在一个矮胖紧凑的体型上，那么它更可能是波士顿梗犬。显然，特征之间的关系往往是区分品种的关键。​

（2）五种形态特征分析仪的技术实现

每个分析器使用不同的卷积核大小和层来处理各种特征：

身体比例分析仪

# 使用大型卷积内核（7×7）来捕获整体的身体特征
'body_proportion': nn.Sequential(
 nn.Conv2d(64, 128, kernel_size=7, padding=3),
 nn.BatchNorm2d(128),
 nn.ReLU(),
 nn.Conv2d(128, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU()
)

最初，我尝试使用更大的核，但发现它们过于关注背景。我最终使用（7×7）核来捕捉整体形态特征，就像犬科动物专家首先注意到狗是大、中还是小，以及它的体形是方形还是矩形一样。例如，在识别类似的小型白色品种（如比熊犬与马耳他犬）时，身体比例通常是最初的区分点。

头部特征分析仪

#中型卷积内核（5×5）适合用于分析头部结构
'head_features': nn.Sequential(
 nn.Conv2d(64, 128, kernel_size=5, padding=2),
 nn.BatchNorm2d(128),
 nn.ReLU(),
 nn.Conv2d(128, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU()
)

头部特征分析器是我测试最广泛的部分。技术挑战在于头部包含多个关键识别点（耳朵、口鼻、眼睛），但它们的相对位置对于整体识别至关重要。最终使用5×5卷积核的设计允许模型学习这些特征的相对位置，同时保持计算效率。

尾部特征分析仪

'tail_features': nn.Sequential(
 nn.Conv2d(64, 128, kernel_size=5, padding=2),
 nn.BatchNorm2d(128),
 nn.ReLU(),
 nn.Conv2d(128, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU()
)

尾巴通常只占图像的一小部分，而且形状各异。尾巴形状是某些犬种的关键识别特征，例如哈士奇向上卷起的尾巴和萨摩耶向后卷起的尾巴。最终解决方案使用与头部分析仪类似的结构，但在训练过程中加入了更多数据增强（例如随机裁剪和旋转）。

毛皮特征分析仪

# 小的内核（3×3）可以更好地捕捉毛皮纹理
'fur_features': nn.Sequential(
 nn.Conv2d(64, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU(),
 nn.Conv2d(128, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU()
)

毛发纹理和长度是区分视觉上相似的品种的关键特征。判断毛发长度时，需要更大的感受野。通过实验，我发现堆叠两个3×3卷积层可以提高识别准确率。

色彩模式分析仪

#颜色特征分析仪：分析颜色分布
'color_pattern': nn.Sequential(
 # 第一层：捕捉基本的颜色分布
 nn.Conv2d(64, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU(),

 # 第二层：分析颜色图案和标记
 nn.Conv2d(128, 128, kernel_size=3, padding=1),
 nn.BatchNorm2d(128),
 nn.ReLU(),

 # 第三层：整合颜色信息
 nn.Conv2d(128, 128, kernel_size=1),
 nn.BatchNorm2d(128),
 nn.ReLU()
)

颜色模式分析仪的设计比其他分析仪更复杂，因为很难区分颜色本身及其分布模式。例如，德国牧羊犬和罗威纳犬都有黑色和棕褐色的皮毛，但它们的分布模式不同。三层设计允许模型首先捕获基本颜色，然后分析分布模式，最后通过1×1卷积整合这些信息。

（3）特征交互与融合机制：关键突破点

为每个特征配备不同的分析器很重要，但让它们相互作用是最关键的部分：

# 特征注意机制：动态调整不同特征的重要性
self.feature_attention = nn.MultiheadAttention(
 embed_dim=128,
 num_heads=8,
 dropout=0.1,
 batch_first=True
)

# 特征关系分析器：分析不同形态特征之间的联系
self.relation_analyzer = nn.Sequential(
 nn.Linear(128 * 5, 256), #五种形态学特征的组合
 nn.LayerNorm(256),
 nn.ReLU(),
 nn.Linear(256, 128),
 nn.LayerNorm(128),
 nn.ReLU()
)

#特征集成器：智能地结合所有特征
self.feature_integrator = nn.Sequential(
 nn.Linear(128 * 6, in_features), # 五个原始特征+一个关系特征
 nn.LayerNorm(in_features),
 nn.ReLU()
)

多头注意力机制对于识别每个品种最具代表性的特征至关重要。例如，短毛品种更依赖于体型和头部特征进行识别，而长毛品种则更依赖于皮毛的质地和颜色。

（4）特征关系分析器：为什么特征关系如此重要

经过数周的挫折，我终于意识到我的模型缺少一个关键元素——当我们人类识别某样东西时，我们不会只记住个别细节。我们的大脑会把这些点连接起来，将特征联系起来形成一个完整的图像。特征之间的关系与特征本身一样重要。一只长着尖耳朵和蓬松毛发的小狗很可能是博美犬，但一只大狗身上有同样的特征可能表明它是萨摩耶犬。

因此，我构建了特征关系分析器来体现这一概念。我没有单独处理每个特征，而是将所有五个形态特征连接起来，然后将它们传递到连接层。这让模型能够学习特征之间的关系，帮助它区分乍一看几乎相同的品种，特别是在四个关键方面：

• 身体和头部协调：牧羊犬通常有狼一样的头和细长的身体，而斗牛犬则有宽阔的头部和肌肉发达、结实的体型。该模型学习这些关联，而不是分别处理头部和身体形状。​
• 毛发和颜色联合分布：某些品种的毛发类型特定，且通常伴有独特的颜色。例如，边境牧羊犬往往有黑白双色毛发，而金毛猎犬通常有长长的金色毛发。识别这些同时出现的特征可以提高准确性。​
• 头部和尾部成对的特征：尖耳朵和卷尾巴在北方雪橇犬品种（如萨摩耶犬和哈士奇犬）中很常见，而下垂耳朵和直尾巴则是猎犬和西班牙猎犬品种的典型特征。​
• 身体、毛发和颜色三维特征空间：某些组合是特定品种的强有力指标。体型高大、毛发短小、黑褐色的毛色几乎总是指向德国牧羊犬。​

通过关注特征如何交互而不是单独处理它们，特征关系分析器弥合了人类直觉和基于人工智能的识别之间的差距。

（5）残差连接：保持原始信息完整

在前向传播函数的最后，有一个关键的残差连接：

#与残差连接的最终集成
integrated_features = self.feature_integrator(final_features)

return integrated_features + x # Residual connection

这个残差连接（+x）有几个重要作用：

• 保留重要细节：确保在关注形态特征的同时，模型仍然保留原始表示中的关键信息。​
• 帮助深度模型更好地训练：在像ConvNeXtV2这样的大型架构中，残差可以防止梯度消失，从而保持学习稳定。​
• 提供灵活性：如果原始特征已经有用，模型可以“跳过”某些转换，而不是强制进行不必要的更改。​
• 模仿大脑处理图像的方式：就像我们的大脑同时分析物体及其位置一样，模型会并行学习不同的视角。​

在模型设计上，也采用了类似的思路，让不同的特征分析器同时运行，分别关注不同的形态特征（如体型、毛发、耳形等），通过残差连接，让这些不同的信息通道相互补充，确保模型不会遗漏关键信息，从而提高识别准确率。

（6）总体工作流程

完整的特征处理流程如下：

• 五个形态特征分析仪同时处理空间特征，每个分析仪使用不同大小的卷积层并关注不同的特征。​
• 特征注意机制动态调整对不同特征的关注。​
• 特征关系分析器捕捉特征之间的相关性，真正了解品种特征。​
• 特征整合器将所有信息（五个原始特征＋一个关系特征）结合起来。​
• 残余连接确保不会丢失原始信息。​

3.架构流程图：形态特征提取器的工作原理

通过查看该图，我们可以清楚区分出两条处理路径：左边是专门的形态特征提取过程，右边是传统的基于CNN的识别路径。

左路径：形态特征处理

• 输入特征张量：这是模型的输入，包含来自CNN中间层的信息，类似于人类在查看图像时首先获得粗略轮廓的方式。​
• 特征空间变换器将压缩的一维特征重塑为结构化的二维表示，从而提高模型捕捉空间关系的能力。例如，在分析狗的耳朵时，它们的特征可能分散在一维向量中，这使得模型更难识别它们的连接。通过将它们映射到二维空间，这种转换使相关特征更紧密地联系在一起，使模型能够同时处理它们，就像人类自然而然地做的那样。​
• 2D特征图：这是转换后的二维表示，如上所述，现在具有更多的空间结构，可以用于形态分析。​
• 该系统的核心是五个专门的形态特征分析仪，每个分析仪都侧重于狗品种识别的一个关键方面：

a.身体比例分析器：使用大型卷积核（7×7）来捕捉整体形状和比例关系，这是初步分类的第一步

b.头部特征分析器：使用中型卷积核（5×5）与小型卷积核（3×3）相结合，重点关注头部形状、耳朵位置、口鼻长度和其他关键特征

c.尾部特征分析器：同样使用5×5和3×3卷积核的组合来分析尾部形状、卷曲程度和姿势，这些往往是区分相似品种的决定性特征

d.毛皮特征分析仪：使用连续的小卷积核（3×3），专门用于捕捉毛皮的纹理、长度和密度——这些细微的特征

e.颜色模式分析仪：采用多层卷积架构，包括用于颜色整合的1×1卷积，专门分析颜色分布模式和特定标记

• 与我们的眼睛在识别面部时本能地聚焦于最显著的特征类似，特征注意机制会动态调整其对关键形态特征的关注，确保模型优先考虑每个品种最相关的细节。​

正确路径：标准CNN处理

• 原始特征表示：图像的初始特征表示。​
• CNN主干（ConvNeXtV2）：使用ConvNeXtV2作为主干网络，通过标准深度学习方法提取特征。​
• 分类器头：将特征转换为124个犬种的分类概率。​

集成路径

• 特征关系分析器不仅限于单个特征，它还会研究不同特征如何相互作用，从而捕捉定义品种独特外观的关系。例如，“头部形状＋尾巴姿势＋皮毛质地”等组合可能指向特定品种。​
• 特征整合器：整合形态特征及其关系信息，形成更全面的表示。​
• 增强特征表示：最终的特征表示，结合原始特征（通过残差连接）和从形态学分析获得的特征。​
• 最后，模型给出预测，根据原始CNN特征和形态分析的组合来确定品种。​

4.形态特征提取器的性能观察

分析完整个模型架构后，最重要的问题是：它真的有效吗？为了验证形态特征提取器的有效性，我测试了30张模型通常会混淆的狗品种的照片。模型之间的比较显示出显著的改进：基线模型正确分类了30张图像中的23张（76.7%），而添加形态特征提取器后，准确率提高到90%（30张图像中的27张）。

这种改进不仅体现在数字上，还体现在模型区分品种的方式上。下面的热图显示了在集成特征提取器之前和之后模型关注的图像区域。

（1）认识腊肠犬独特的身体比例

让我们先来看一下错误分类的案例。下面的热图显示，如果没有形态特征提取器，模型会错误地将腊肠犬分类为金毛猎犬。

• 由于没有形态特征，模型过于依赖颜色和毛发纹理，而无法识别狗的整体结构。热图显示，模型的注意力分散，不仅集中在狗的脸上，还集中在屋顶等背景元素上，这很可能影响了错误分类。​
• 由于长毛腊肠犬和金毛猎犬的毛色相似，模型受到误导，更加注重表面的相似性，而不是区分身体比例和耳朵形状等关键特征。​

这显示了深度学习模型的一个常见问题：如果没有适当的指导，它们可能会把注意力集中在错误的事情上并犯错误。在这里，背景干扰使模型没有注意到腊肠犬的长身体和短腿，这使它与金毛猎犬区分开来。

然而，在整合形态特征提取器之后，模型的注意力发生了显著转移，如下面的热图所示：

腊肠犬注意力热图的主要观察结果如下：

• 背景干扰显著减少。模型学会了忽略草木等环境元素，而更加关注狗的结构特征。​
• 该模型的焦点已转移到腊肠犬的面部特征，尤其是眼睛、鼻子和嘴巴，这些是品种识别的关键特征。与以前相比，注意力不再分散，从而产生更稳定和更自信的分类。​

这证实了形态特征提取器可以帮助模型过滤掉不相关的背景噪音，并关注每个品种的定义面部特征，从而使得其预测更加可靠。

（2）西伯利亚哈士奇与其他北方犬种的区别

对于雪橇犬来说，形态特征提取器的影响更加明显。下面是应用提取器之前的热图，其中模型将西伯利亚哈士奇误分类为爱斯基摩犬。

从热图可以看出，该模型未能聚焦任何显著特征，而是呈现出分散、不集中的注意力分布。这表明该模型不确定哈士奇的定义特征，从而导致错误分类。

然而，加入形态特征提取器之后，发生了重大转变：

另一个让我印象深刻的案例是将西伯利亚哈士奇与其他北方犬种（如阿拉斯加雪橇犬）区分开来。正如你在热图中看到的那样，模型的注意力高度集中在哈士奇的面部特征上。

有趣的是眼睛周围的黄色高亮区域。哈士奇标志性的蓝眼睛和独特的“面具”图案是它区别于其他雪橇犬的关键特征。模特还注意到哈士奇独特的耳朵形状，它比阿拉斯加雪橇犬的耳朵更小，更靠近头部，形成一个独特的三角形。

最让我惊讶的是，尽管背景中有雪和红色浆果（这些元素可能会干扰基线模型），但改进后的模型却很少关注这些干扰，而是专注于品种本身。

（3）热图分析总结

通过这些热图，我们可以清晰的看到形态特征提取器如何改变了模型的“思考过程”，使其更接近专家的识别能力：

• 形态优先于颜色：模型不再受表面特征（如毛皮颜色）的影响，而是学会优先考虑体型、头部形状以及专家用来区分相似品种的其他特征。​
• 动态分配注意力：该模型展示了特征优先级的灵活性：强调腊肠犬的身体比例和哈士奇的面部标记，类似于专家的识别过程。​
• 增强的抗干扰能力：模型学会忽略背景和非特征部分，即使在嘈杂的环境中也能保持对关键形态特征的关注。​

5.潜在的应用和未来的改进

通过这个项目，我相信形态特征提取器的概念将不仅限于狗的品种识别。这一概念可以应用于其他依赖于识别细粒度差异的领域。然而，定义什么是“形态特征”因领域而异，这使得直接可移植性成为一项挑战。

（1）细粒度视觉分类中的应用

受生物分类原理的启发，这种方法对于区分具有细微差异的物体特别有用。一些可能的实际应用包括：

• 医学诊断：肿瘤分类、皮肤病学分析和放射学（X射线/CT扫描），医生依靠形状、纹理和边界特征来区分病情。​
• 植物和昆虫识别：某些有毒蘑菇与可食用蘑菇非常相似，需要专业知识才能根据形态进行区分。​
• 工业质量控制：检测制造产品中的微观缺陷，例如电子元件中的形状错误或金属上的表面划痕。​
• 艺术品和文物鉴定：博物馆和拍卖行通常依靠纹理图案、雕刻细节和材料分析来区分真品和赝品，而人工智能可以在这方面提供帮助。​

该方法还可以应用于监视和法医分析，例如通过步态分析、衣着细节或刑事调查中的车辆识别来识别个人。

（2）挑战与未来改进

虽然形态特征提取器已经证明了其有效性，但仍存在一些挑战和需要改进的地方：

• 特征选择灵活性：当前系统依赖于预定义特征集。未来的增强功能可以纳入自适应特征选择，根据对象类型动态调整关键特征（例如，狗的耳朵形状、鸟的翅膀结构）。​
• 计算效率：尽管最初预计可以很好地扩展，但实际部署表明计算复杂性增加，对移动或嵌入式设备构成了限制。​
• 与先进架构的集成：将形态分析与转换器或自监督学习等模型相结合可以提高性能，但会带来特征表示一致性方面的挑战。​
• 跨领域适应性：虽然对于狗品种分类有效，但将这种方法应用于新领域（例如医学成像或植物识别）需要重新定义形态特征。​
• 可解释性和小样本学习潜力：形态特征的直观性可能有助于低数据学习场景。然而，克服深度学习对大型标记数据集的依赖仍然是一个关键挑战。​

这些挑战表明了该方法有待改进的地方，而不是其设计上的根本缺陷。

结论

这一开发过程让我意识到形态特征提取器不仅仅是一种机器学习技术，更是让人工智能更像人类思考的一步。这种方法不是被动地记忆模式，而是帮助人工智能专注于关键特征，就像专家所做的那样。

除了计算机视觉之外，这个想法还可以影响人工智能推理、决策和更有效地解释信息的能力。随着人工智能的发展，我们不仅要改进模型，还要塑造以更像人类的方式学习的系统。

参考文献和数据来源

数据集来源

• 斯坦福狗数据集-​​Kaggle数据集​​​A.最初来源于​​斯坦福视觉实验室-ImageNet Dogs​​​
  B.引用：​
  a.Aditya Khosla、Nityananda Jayadevaprakash、Bangpeng Yao和Li Fei-Fei著，《用于细粒度图像分类的新型数据集》。FGVC研讨会，CVPR，2011年。​
• Unsplash图片–从​​Unsplash​​获取了四个品种（比熊犬、腊肠犬、柴犬、哈瓦那犬）的附加图片，用于扩充数据集。​

研究参考文献

​​DiCarlo,JJ, Zoccolan, D., & Rust, NC (2012)著，《大脑如何解决视觉物体识别？​​》

图片归属

本文中的所有图像，除非另有说明，均由作者本人创作。

免责声明

本文中描述的方法和方法基于我的个人研究和实验结果。虽然形态特征提取器在特定场景中表现出了改进，但其性能可能会因数据集、实施细节和训练条件而异。

本文仅用于教育和信息分享目的。读者应根据其特定用例进行独立评估并调整方法。不保证其在所有应用程序中的有效性。

译者介绍

朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。

原文标题：​​From Fuzzy to Precise: How a Morphological Feature Extractor Enhances AI’s Recognition Capabilities​​，作者：Eric Chung​