Antonino Greco: Die Kombination, die künstliche Bilderkennung zuverlässiger macht

Während Menschen Objekte auch unter widrigen Sichtbedingungen zuverlässig einordnen, geraten künstliche Sehsysteme bei verrauschten oder untypischen Bildern deutlich schneller ins Straucheln. Der Neurowissenschaftler Dr.

Antonino Greco hat als Erstautor einer Studie am Hertie-Institut untersucht, welche Eigenschaften des biologischen Gehirns künstliche Bilderkennung durch Zufall zuverlässiger machen können. Im Mittelpunkt steht eine Kombination aus zwei Mechanismen, die das Gehirn nutzt, die künstliche Netze bislang kaum berücksichtigten.

Im biologischen Sehen fließen Informationen nicht nur von den Augen zum Gehirn: Höhere Hirnareale senden auch Signale zurück an frühere Verarbeitungsstufen. Diese Rückwärtssignale heißen Top-down-Rückkopplung und werden in vielen künstlichen Sehsystemen nicht berücksichtigt. Hinzu kommt ein zweites Phänomen: Nervenzellen zeigen zufällige Schwankungen in ihrer Aktivität, die als neuronale Variabilität bezeichnet werden.

Wie funktioniert die Kombination aus Rückkopplung und Zufall?

Das Team um Greco trainierte künstliche neuronale Netze zur Bilderkennung sowohl mit als auch ohne Rückkopplung. Um die zufälligen Schwankungen neuronaler Aktivität nachzubilden, wurden während des Lernens einzelne Netzwerkeinheiten nach dem Zufallsprinzip vorübergehend ausgeschaltet. Rückkopplung allein brachte dabei kaum Vorteile für die Zuverlässigkeit der Bilderkennung.

Erst die Kombination aus Rückkopplung und einem Training, das zufällige Schwankungen nachbildet, machte die Netzwerke deutlich widerstandsfähiger. Greco zufolge zeigt sich der Nutzen der Rückkopplung erst dann, wenn das System zuvor gelernt hat, mit zufälligen Schwankungen umzugehen. Der Erstautor zeigte sich überrascht, dass Top-down-Rückkopplung allein nicht ausreichte, um künstliche Sehsysteme robust zu machen.

Was zeigen die Tests mit den künstlichen Netzwerken?

Die kombinierten Netzwerke bewährten sich in mehreren Testszenarien. Sie waren widerstandsfähiger gegenüber Störungen, die typischerweise zu Fehlklassifikationen führen, und kamen auch mit Bildern zurecht, die von den ursprünglichen Trainingsbedingungen abwichen.

• Die Netzwerke zeigten mehr Robustheit gegenüber Bildrauschen.
• Sie widerstanden gezielten Bildveränderungen, die falsche Erkennungen auslösen sollen.
• Sie verarbeiteten Bilder zuverlässiger, die von den Trainingsbedingungen abwichen.
• Die Verbesserung trat erst bei der Kombination beider Mechanismen auf, nicht bei Rückkopplung allein.

Nach Erklärung von Greco verhindert die zufällige Variabilität beim Lernen, dass einzelne Netzwerkeinheiten zu stark voneinander abhängig werden, und macht die Netzwerkaktivität insgesamt unregelmäßiger. Über die Rückkopplung fließen dagegen Signale aus höheren Verarbeitungsebenen zurück, wodurch sich die gemeinsame Netzwerkaktivität zu stabileren und kompakteren Mustern verdichtet.

Was kommt als Nächstes?

Gefördert wurde die Arbeit über den Sonderforschungsbereich 1233 Robust Vision der Deutschen Forschungsgemeinschaft, veröffentlicht erschien sie im Fachjournal Patterns des Verlags Cell Press. Damit ist der Mechanismus bislang vor allem im Labor nachgewiesen; wie er sich in größeren Systemen zur künstlichen Bilderkennung umsetzen lässt, bleibt eine Aufgabe für künftige Arbeiten des Teams um Greco.