Sehen tiefe Netzwerke genauso gut wie Menschen?

Im Thatcher-Effekt (links) sehen zwei invertierte Versionen von Margaret Thatcher täuschend ähnlich aus, sehen jedoch dramatisch anders aus, wenn Sie diese Seite auf den Kopf stellen. Durch den Vergleich der Distanz zwischen solchen aufrechten und invertierten Gesichtern in tiefen Netzwerken konnten die Autoren verfolgen, ob der Thatcher-Effekt in tiefen Netzwerken auftritt, die auf Objekte trainiert wurden oder in tiefen Netzwerken, die auf Gesichter trainiert wurden. Quelle: Angepasst von Jacob et al., 2021

Eine neue Studie des Center for Neuroscience (CNS) am Indian Institute of Science (IISc) untersucht, wie gut tiefe neuronale Netze in Bezug auf die visuelle Wahrnehmung im Vergleich zum menschlichen Gehirn abschneiden.

Tiefe neuronale Netze sind maschinelle Lernsysteme, die vom Netzwerk von Gehirnzellen oder Neuronen im menschlichen Gehirn inspiriert sind und auf bestimmte Aufgaben trainiert werden können. Diese Netzwerke haben eine entscheidende Rolle dabei gespielt, Wissenschaftlern zu helfen, zu verstehen, wie unser Gehirn die Dinge wahrnimmt, die wir sehen. Obwohl sich tiefe Netzwerke in den letzten zehn Jahren erheblich weiterentwickelt haben, sind sie bei der Wahrnehmung visueller Hinweise immer noch bei weitem nicht so leistungsfähig wie das menschliche Gehirn.

In einer aktuellen Studie haben SP Arun, Associate Professor am CNS, und sein Team verschiedene qualitative Eigenschaften dieser tiefen Netzwerke mit denen des menschlichen Gehirns verglichen. Tiefe Netzwerke sind zwar ein gutes Modell, um zu verstehen, wie das menschliche Gehirn Objekte visualisiert, funktionieren jedoch anders als letztere. Während komplexe Berechnungen für sie trivial sind, können bestimmte Aufgaben, die für Menschen relativ einfach sind, für diese Netzwerke schwierig zu bewältigen sein. In der aktuellen Studie, erschienen in Naturkommunikation, Arun und sein Team versuchten zu verstehen, welche visuellen Aufgaben diese Netzwerke aufgrund ihrer Architektur auf natürliche Weise erfüllen können und welche Weiterbildungsbedarf besteht.

Das Team untersuchte 13 verschiedene Wahrnehmungseffekte und deckte bisher unbekannte qualitative Unterschiede zwischen tiefen Netzwerken und dem menschlichen Gehirn auf. Ein Beispiel ist der Thatcher-Effekt, ein Phänomen, bei dem es dem Menschen leichter fällt, lokale Merkmalsänderungen in einem aufrechten Bild zu erkennen, dies wird jedoch schwierig, wenn das Bild auf den Kopf gestellt wird. Tiefe Netzwerke, die darauf trainiert wurden, aufrecht stehende Gesichter zu erkennen, zeigten einen Thatcher-Effekt im Vergleich zu Netzwerken, die darauf trainiert waren, Objekte zu erkennen. Eine weitere visuelle Eigenschaft des menschlichen Gehirns, die sogenannte Spiegelverwirrung, wurde in diesen Netzwerken getestet. Für den Menschen erscheinen Spiegelreflexionen entlang der vertikalen Achse ähnlicher als solche entlang der horizontalen Achse. Die Forscher fanden heraus, dass tiefe Netzwerke auch eine stärkere Spiegelverwirrung für vertikale im Vergleich zu horizontal reflektierten Bildern aufweisen.

Ein weiteres Phänomen, das dem menschlichen Gehirn eigen ist, ist, dass es sich zuerst auf gröbere Details konzentriert. Dies wird als globaler Vorteilseffekt bezeichnet. Zum Beispiel würde unser Gehirn in einem Bild eines Baumes zuerst den Baum als Ganzes sehen, bevor es die Details der Blätter darin wahrnimmt. In ähnlicher Weise betrachten Menschen, wenn ihnen ein Bild eines Gesichts präsentiert wird, zuerst das Gesicht als Ganzes und konzentrieren sich dann auf feinere Details wie Augen, Nase, Mund usw., erklärt Georgin Jacob, Erstautor und Ph.D. Student an der CNS. „Überraschenderweise zeigten neuronale Netze einen lokalen Vorteil“, sagt er. Das bedeutet, dass sich die Netzwerke im Gegensatz zum Gehirn zuerst auf die feineren Details eines Bildes konzentrieren. Obwohl diese neuronalen Netze und das menschliche Gehirn die gleichen Objekterkennungsaufgaben ausführen, sind die Schritte der beiden daher sehr unterschiedlich.

“Viele Studien haben Ähnlichkeiten zwischen tiefen Netzwerken und Gehirnen gezeigt, aber niemand hat sich wirklich mit systematischen Unterschieden befasst”, sagt Arun, der leitende Autor der Studie. Die Identifizierung dieser Unterschiede kann uns näher bringen, diese Netzwerke hirnähnlicher zu machen.

Solche Analysen können Forschern helfen, robustere neuronale Netze aufzubauen, die nicht nur eine bessere Leistung erbringen, sondern auch immun gegen “feindliche Angriffe” sind, die darauf abzielen, sie zu entgleisen.


Leave a Comment