Neue KI-Studie: Bilderkennungs-Algorithmen scheitern an einfachen Silhouetten

Eine neue Studie der New York University zeigt: Moderne Bilderkennungs-KI scheitert häufig schon an einfachen Silhouetten, während Menschen Formen zuverlässig erkennen. Die Ergebnisse stellen verbreitete Annahmen über „menschenähnliche“ KI infrage und sind für Anwendungen wie autonomes Fahren von hoher Relevanz.

Moderne Bilderkennungs-KI hat deutlich größere Schwierigkeiten als Menschen, einfache Formen und Silhouetten zu erkennen.

Studie vergleicht Menschen und über 200 KI-Modelle

Ein Forschungsteam um Biyu He von der New York University Grossman School of Medicine berichtet im Fachjournal «iScience», dass aktuelle Algorithmen beim Erfassen übergeordneter Formen klar hinter menschlichen Betrachtern zurückbleiben. Untersucht wurde die Sehleistung von Testpersonen im Vergleich zu mehr als 200 tiefen neuronalen Netzen unterschiedlicher Bauart und Trainingsweise.

Für die Studie wurden 240 Abbildungen aus 48 Alltagskategorien systematisch verändert. Gezeigt wurden unter anderem reine schwarze Silhouetten ohne Innenstruktur, isolierte Muster wie Felltexturen ohne erkennbare Kontur sowie Darstellungen, in denen viele kleine Objekte bildfüllend aneinandergereiht waren und so den typischen Umriss zerstörten.

Menschen erkennen Konturen, KI klammert sich an Details

Während das menschliche Gehirn die Gesamtgestalt eines Objekts priorisiert, konzentrieren sich die getesteten KI-Modelle vor allem auf lokale Details, Oberflächenmuster und Texturen. Schon geringe Bildverzerrungen oder das Fehlen typischer Merkmale führten dazu, dass die Systeme die gezeigten Motive nicht mehr korrekt zuordnen konnten.

Keines der über 200 Modelle konnte das menschliche Erkennungsmuster über alle Versuchsbedingungen hinweg nachbilden. Besonders deutlich wurde der Unterschied, wenn die Identifikation allein auf der Erfassung der Gesamtsilhouette beruhte: In diesen Fällen lagen die Algorithmen durchweg hinter den menschlichen Probanden.

„Kreuzworträtsel“ statt Katze

In einem Folgeexperiment entkoppelte das Team die Gesamtform von lokalen Details. Die Umrisse von Gegenständen und Tieren wurden dazu mit vielen kleinen Kreuzchen gefüllt. Menschen konnten die Motive weiterhin anhand der äußeren Kontur benennen, etwa Katzen oder Schmetterlinge.

Viele der getesteten KI-Modelle versagten dagegen und ordneten die Silhouetten fälschlich Begriffen wie «Kreuzworträtsel», «Fenstergitter», «Kettenhemd» oder «Fadenwurm» zu. Die dominierenden Kreuzmuster lenkten die Algorithmen so stark, dass die Gesamtform kaum noch berücksichtigt wurde.

Grenzen menschenähnlicher KI-Modelle

He betonte, heutige Bilderkennungsmodelle seien längst nicht so menschenähnlich, wie oft angenommen werde, obwohl sie mit riesigen Mengen an Fotos trainiert wurden, die von Menschen aufgenommen wurden. Systeme, die gleichzeitig mit Bildern und begleitenden Texten geschult werden, erzielten zwar insgesamt menschenähnlichere Trefferquoten als klassische Netze.

Doch auch diese multimodalen Modelle verloren ihren Vorsprung, sobald die Gesamtgestalt gestört oder isoliert bewertet wurde. In solchen Szenarien zeigten sie ähnliche Schwächen wie herkömmliche Bilderkennungsnetze.

Bedeutung für autonome Systeme und Assistenztechnik

Die Forschenden sehen in den Ergebnissen eine wichtige Konsequenz für den Einsatz von KI in Robotik, autonomem Fahren sowie Sehprothesen und Gehirn-Computer-Schnittstellen für sehbehinderte Menschen. Gerade bei Nebel, Dämmerung oder verdeckten Sichtverhältnissen müssen technische Systeme verlässliche Urteile fällen können.

Menschen greifen in solchen Situationen instinktiv auf die grobe Silhouette eines Objekts zurück. Die Studie liefert nach Angaben des Teams Hinweise darauf, wie Algorithmen in Zukunft trainiert werden müssen, um ein ganzheitlicheres und damit robusteres Sehvermögen zu entwickeln.

Einordnung der Ergebnisse in die KI-Forschung

Die von dem Forschungsteam um Biyu He und Mugihiko Kato beschriebenen Schwächen aktueller Bilderkennungs-KI markieren einen wichtigen Punkt in der Debatte über vermeintlich „menschenähnliche“ künstliche Intelligenz. Die Studie verdeutlicht, dass selbst sehr leistungsfähige neuronale Netze fundamentale Unterschiede zur menschlichen Wahrnehmung aufweisen, insbesondere beim Erkennen von Formen und Silhouetten. Während Menschen das Gesamtbild priorisieren, bleiben Algorithmen stark an lokale Muster gebunden und verlieren bei verzerrten oder reduzierten Darstellungen schnell die Orientierung.

Relevanz für Alltagstechnologien und Sicherheit

Für Anwendungen wie autonomes Fahren, Robotik oder medizinische Assistenzsysteme hat diese Erkenntnis unmittelbare Bedeutung. In der Praxis sind Verkehrssituationen, Arbeitsumgebungen oder Operationssäle selten ideal ausgeleuchtet und frei von Störungen. Nebel, Schatten, teilweise verdeckte Objekte oder ungewöhnliche Perspektiven gehören zum Alltag. Wenn KI-Systeme in solchen Situationen Formen nicht robust erkennen, sind Fehlentscheidungen wahrscheinlicher – etwa beim Identifizieren von Fußgängern, Fahrzeugen oder Hindernissen. Die Studie unterstreicht daher, dass hohe Trefferquoten auf Standard-Datensätzen nicht ausreichen, um Sicherheit in komplexen Umgebungen zu garantieren.

Ausblick: Robustere Modelle und neue Trainingsstrategien

Die Forschenden weisen darauf hin, dass der Trainingsprozess selbst neu gedacht werden muss, um ein ganzheitlicheres „Sehen“ der KI zu ermöglichen. Dazu gehört, Modelle gezielt mit veränderten Silhouetten, Schattenrissen und reduzierten Formen zu konfrontieren, statt sie vor allem an detailreichen, texturbetonten Bildern zu schulen. Für Entwickler und Unternehmen bedeutet dies, dass künftige Systeme nicht nur größer und datenhungriger, sondern vor allem robuster gegenüber Bildstörungen sein müssen. Für Nutzerinnen und Nutzer wiederum ist die Arbeit ein Hinweis darauf, dass KI-Bildanalyse trotz beeindruckender Fortschritte noch klare Grenzen hat und kritisch eingesetzt werden sollte.