KI-Sehfehler: Neural Nets scheitern bei einfachen Umrissen
Veröffentlicht am: 20.09.2026 um 15:32 Uhr | Redaktion boerse-global.de
Deep-Neural-Netze weisen bei der Erkennung einfacher Umrisse erhebliche Defizite gegenüber menschlichen Betrachtern auf. Zu diesem Ergebnis kommt eine wissenschaftliche Untersuchung der NYU Grossman School of Medicine, die im Fachjournal iScience veröffentlicht wurde.
Das Forschungsteam unter der Studienleitung von Biyu He und Erstautor Mugihiko Kato überprüfte über 200 Deep-Neural-Netze und stellte fest, dass die Systeme Silhouetten schlechter identifizieren als Menschen.
Fehlinterpretationen bei veränderten Bildmustern
Im Rahmen der Versuchsreihe wurden 240 Bilder aus 48 alltäglichen Kategorien systematisch manipuliert. Ziel war die Überprüfung, wie robust die Algorithmen reagieren, wenn Bildinhalte nicht über typische Farb- oder Oberflächenmerkmale, sondern vorwiegend über Konturen erfasst werden müssen.
Dabei traten bei veränderten Innenflächen gravierende Fehleinschätzungen zutage: Wurden Umrisse mit Kreuzchen-Mustern gefüllt, deuteten die Modelle vertraute Formen wie Katzen oder Schmetterlinge völlig fehl.
Die technologischen Grenzen von KI-Systemen zeigen, wie wichtig eine fundierte Risikobewertung beim Einsatz neuer Software ist. Dieser kostenlose Leitfaden klärt auf, welche Anforderungen die EU-KI-Verordnung stellt und was Unternehmen jetzt konkret tun müssen. Umsetzungsleitfaden zum EU AI Act kostenlos herunterladen
Die Systeme stuften die Tiere stattdessen unter anderem als Kreuzworträtsel, Fenstergitter, Kettenhemd oder Fadenwurm ein. Dies belegt, dass neuronale Netze dazu neigen, lokale Texturmerkmale überzubewerten, anstatt die übergeordnete Silhouette eines Objekts wie das menschliche Auge zusammenhängend zu interpretieren.
Relevanz für autonomes Fahren, Robotik und Sehprothesen
Die an der NYU Grossman School of Medicine erzielten Resultate haben unmittelbare Bedeutung für praxisnahe Technologien. Insbesondere in der Robotik, beim autonomen Fahren sowie bei der Weiterentwicklung von Sehprothesen ist eine verlässliche visuelle Erkennung unter variierenden Umgebungsbedingungen unverzichtbar.
In diesen Einsatzfeldern müssen Kamerasysteme und visuelle Prozessoren auch bei schlechten Sichtverhältnissen, Schattenwürfen oder irritierenden Oberflächenstrukturen schnell und präzise Objekte ausmachen können. Führen bereits einfache Musteränderungen innerhalb einer Silhouette zu Fehlklassifikationen, verdeutlicht dies die bestehenden technischen Grenzen für den sicheren Einsatz von Deep-Learning-Verfahren in sensiblen Bereichen.
Wer sich mit der Entwicklung und dem Einsatz von KI-Systemen befasst, muss neben technischen Hürden auch die neuen gesetzlichen Rahmenbedingungen im Blick behalten. Der kostenlose Report verschafft Ihnen einen kompakten Überblick über Fristen, Pflichten und Risikoklassen der aktuellen Gesetzgebung. EU AI Act in 5 Schritten verstehen
Rezeption in der Medienlandschaft
In Deutschland griff Zeit Online die Veröffentlichung der wissenschaftlichen Untersuchung als erstes Medium auf. Eine Auswertung über die Aggregationsplattform Ground News wies zudem auf ein spezifisches Profil in der internationalen Rezeption hin: Demnach entfielen rund 75 Prozent der registrierten Berichterstattung auf Medien aus dem politisch rechten Spektrum.
Die Reaktionen verdeutlichen das anhaltende Interesse daran, wie weit gängige Architekturen des maschinellen Sehens in basalen sensorischen Fähigkeiten weiterhin hinter der menschlichen Kognition zurückbleiben.
