Computer Vision (deutsch maschinelles Sehen) bezeichnet das Teilgebiet der KI, das aus Bildern und Videos inhaltliche Beschreibungen gewinnt — also ermittelt, was zu sehen ist und wo.
Computer Vision beantwortet Fragen an ein Bild: Welches Objekt ist das? Wo genau befindet es sich? Welche Bildpunkte gehören dazu? Typische Aufgaben sind die Klassifikation (ein Etikett für das ganze Bild), die Objekterkennung (mehrere Objekte samt Position), die Segmentierung (Zuordnung jedes Bildpunkts zu einem Objekt), Gesichts- und Texterkennung sowie die Rekonstruktion räumlicher Struktur aus mehreren Ansichten.
Die klassische Bildverarbeitung (englisch image processing) nimmt ein Bild entgegen und gibt ein Bild zurück — geschärft, entrauscht, kontrastverstärkt. Computer Vision nimmt ein Bild entgegen und gibt eine Beschreibung zurück. Die Verfahren überschneiden sich, das Ziel unterscheidet sich.
1966 schrieb Seymour Papert am MIT das Sehen als Sommerprojekt für Studierende aus — die Aufgabe galt als überschaubar. Sie erwies sich als eines der hartnäckigsten Probleme der KI. Der Grund ist die Mehrdeutigkeit der Projektion: Dieselbe Katze erzeugt je nach Beleuchtung, Blickwinkel, Verdeckung und Hintergrund völlig verschiedene Pixelwerte, und aus einem zweidimensionalen Bild ist die dreidimensionale Ursache nicht eindeutig rekonstruierbar. Der Fall illustriert Moravecs Paradox: Was Menschen mühelos gelingt, ist maschinell besonders schwer.
Bis in die 2000er-Jahre wurden Bildmerkmale von Hand entworfen (Kanten, Ecken, Gradientenhistogramme) und einem Klassifikator übergeben. 2012 gewann AlexNet von Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton den ImageNet-Wettbewerb und senkte die Fehlerrate von rund 26 auf 15 Prozent — mit einem CNN, trainiert auf Grafikkarten. Seither werden die Merkmale nicht mehr entworfen, sondern gelernt. Dieses Ergebnis gilt als Auslöser des Deep-Learning-Aufschwungs.
Neben CNN stehen heute Vision Transformer (ab 2020), die das Transformer-Prinzip auf Bildausschnitte anwenden. Bild- und Sprachverarbeitung werden zunehmend im selben Modell zusammengeführt; solche Modelle heißen Multimodal und können Bilder beschreiben oder Fragen zu ihnen beantworten. Anwendungen reichen von der medizinischen Bildauswertung über Qualitätskontrolle und autonomes Fahren bis zur Gesichtserkennung — Letztere ist wegen ihrer Überwachungsfolgen umstritten und in der EU teilweise reguliert.
Hallo! Ich bin dein KI-Tutor.
Melde dich an, um mit mir zu chatten — ich erinnere mich dann auch an eure letzten Gespräche.
