Künstliche Intelligenz - Studie: Menschen sind noch deutlich besser in Bilderkennung als KI-Programme

KI-Bilderkennungssysteme zeigen bei der Erkennung von Formen und Silhouetten deutliche Schwächen im Vergleich zu Menschen.

KI-Bilderkennungssysteme zeigen bei der Erkennung von Formen und Silhouetten deutliche Schwächen im Vergleich zu Menschen.

Dies berichtet ein Forschungsteam der New York University Grossman School of Medicine im Fachjournal „iScience“.

Dies berichtet ein Forschungsteam der New York University Grossman School of Medicine im Fachjournal „iScience“.

Die Ergebnisse sind besonders relevant für das autonome Fahren, da hier die Fähigkeit zur schnellen und zuverlässigen Bildinterpretation entscheidend ist.

Die Ergebnisse sind besonders relevant für das autonome Fahren, da hier die Fähigkeit zur schnellen und zuverlässigen Bildinterpretation entscheidend ist.

Die Studienleiterin, die Neurowissenschaftlerin Biyu He, betont, dass heutige Bilderkennungssysteme keineswegs menschenähnlich sind, obwohl sie mit riesigen Mengen an Fotos trainiert wurden, die von Menschen erstellt wurden.

Die Studienleiterin, die Neurowissenschaftlerin Biyu He, betont, dass heutige Bilderkennungssysteme keineswegs menschenähnlich sind, obwohl sie mit riesigen Mengen an Fotos trainiert wurden, die von Menschen erstellt wurden.

In der Studie verglichen die Forscher die Sehleistung von menschlichen Probanden mit der von über 200 tiefen neuronalen Netzen.

In der Studie verglichen die Forscher die Sehleistung von menschlichen Probanden mit der von über 200 tiefen neuronalen Netzen.

Die Forschenden manipulierten 240 Bilder, darunter reine schwarze Silhouetten, isolierte Muster wie Felltexturen und Darstellungen mit vielen kleinen Objekten, die die äußere Form zerstörten.

Die Forschenden manipulierten 240 Bilder, darunter reine schwarze Silhouetten, isolierte Muster wie Felltexturen und Darstellungen mit vielen kleinen Objekten, die die äußere Form zerstörten.

Die Ergebnisse zeigten, dass keine der KI-Modelle in der Lage war, das menschliche Erkennungsmuster unter allen Bedingungen vollständig nachzuahmen.

Die Ergebnisse zeigten, dass keine der KI-Modelle in der Lage war, das menschliche Erkennungsmuster unter allen Bedingungen vollständig nachzuahmen.

Insbesondere, wenn die Identifikation allein an der Gesamtsilhouette lag, blieben die Algorithmen deutlich hinter den menschlichen Testpersonen.

Insbesondere, wenn die Identifikation allein an der Gesamtsilhouette lag, blieben die Algorithmen deutlich hinter den menschlichen Testpersonen.

In einem weiteren Experiment füllten die Forscher die Umrisse von Gegenständen und Tieren mit vielen kleinen Kreuzchen.

In einem weiteren Experiment füllten die Forscher die Umrisse von Gegenständen und Tieren mit vielen kleinen Kreuzchen.

Während Menschen das Motiv weiterhin anhand der äußeren Kontur erkennen konnten, versagten die meisten KI-Modelle.

Während Menschen das Motiv weiterhin anhand der äußeren Kontur erkennen konnten, versagten die meisten KI-Modelle.

Sie deuteten Katzen- oder Schmetterlingssilhouetten fälschlicherweise als Kreuzworträtsel, Fenstergitter oder Kettenhemd.

Sie deuteten Katzen- oder Schmetterlingssilhouetten fälschlicherweise als Kreuzworträtsel, Fenstergitter oder Kettenhemd.

Die Ergebnisse sind für praktische Anwendungen von zentraler Bedeutung.

Die Ergebnisse sind für praktische Anwendungen von zentraler Bedeutung.

KI-Systeme in der Robotik, beim autonomen Fahren oder in Sehprothesen müssen in der Lage sein, auch bei Nebel, Dämmerung oder Verdeckungen zuverlässige Entscheidungen zu treffen.

KI-Systeme in der Robotik, beim autonomen Fahren oder in Sehprothesen müssen in der Lage sein, auch bei Nebel, Dämmerung oder Verdeckungen zuverlässige Entscheidungen zu treffen.

In solchen Situationen greift der Mensch intuitiv auf die grobe Silhouette zurück.

In solchen Situationen greift der Mensch intuitiv auf die grobe Silhouette zurück.

Die Studie liefert wertvolle Hinweise, wie Algorithmen zukünftig trainiert werden müssen, um ein ganzheitlicheres Sehvermögen zu entwickeln.

Die Studie liefert wertvolle Hinweise, wie Algorithmen zukünftig trainiert werden müssen, um ein ganzheitlicheres Sehvermögen zu entwickeln.