Computer Vision (deutsch maschinelles Sehen) bezeichnet das Teilgebiet der künstlichen Intelligenz, das Systeme befähigt, aus Bildern und Videos Aussagen über die dargestellte Welt zu gewinnen – was zu sehen ist, wo es sich befindet, was geschieht. Das Feld ist älter als die heutige KI-Welle und war der Bereich, in dem der Durchbruch des Deep Learning zuerst sichtbar wurde.
Zusammenfassung
Die Aufgabe erscheint einfach und ist es nicht. Ein Bild ist für die Maschine eine Zahlenmatrix; dieselbe Szene erzeugt bei anderer Beleuchtung, anderem Blickwinkel oder teilweiser Verdeckung völlig andere Zahlen, während unterschiedliche Szenen ähnliche erzeugen können. Über Jahrzehnte versuchte man, die relevanten Merkmale von Hand zu bestimmen – Kanten, Ecken, Texturen –, mit begrenztem Erfolg.
Der Umschwung kam 2012, als ein auf Grafikkarten trainiertes Faltungsnetz den ImageNet-Wettbewerb mit deutlichem Abstand gewann und damit zeigte, dass sich die Merkmale besser lernen als konstruieren lassen. Seither ist das Feld mit der übrigen KI verschmolzen: Dieselben Architekturen, die Sprache verarbeiten, verarbeiten heute auch Bilder, und die Trennung zwischen beiden Modalitäten verliert an Bedeutung.
Begriffsgeschichte
Die Anfänge fallen in die 1960er Jahre und sind mit einer berühmten Fehleinschätzung verbunden: Ein Sommerprojekt am MIT sollte 1966 die Grundzüge des maschinellen Sehens klären – eine Aufgabe, an der das Fach anschließend Jahrzehnte arbeitete.
Diese Diskrepanz zwischen erwartetem und tatsächlichem Aufwand gehört zu den anschaulichsten Belegen des Moravecschen Paradoxes: Wahrnehmung erscheint mühelos, weil sie unbewusst abläuft, und ist maschinell außerordentlich schwer.
Die erste systematische Theorie stammt von David Marr, der Ende der 1970er Jahre vorschlug, Sehen als stufenweise Rekonstruktion zu verstehen – von Helligkeitsunterschieden über Kanten und Oberflächen zu einer dreidimensionalen Beschreibung. Sein Ansatz prägte das Fach über Jahre, auch wenn sich die vorgeschlagene Stufenfolge in dieser Strenge nicht durchsetzte.
In den 1990er und 2000er Jahren dominierten handgefertigte Merkmale: Verfahren, die Bildpunkte auffinden, die sich bei Größen- und Blickwinkeländerung wiedererkennen lassen, und ihre Umgebung als Zahlenvektor beschreiben. Darauf setzte ein klassischer Klassifikator auf. Diese Zweiteilung – Merkmalsextraktion von Hand, Entscheidung durch ein gelerntes Verfahren – war der Stand der Technik, als der Umschwung kam.
Vorbereitet wurde er durch die Daten. Der Bilddatensatz ImageNet, ab 2007 von einer Gruppe um Fei-Fei Li aufgebaut, umfasste Millionen von Aufnahmen in Tausenden Kategorien und war damit um Größenordnungen umfangreicher als alles Vorherige. Der zugehörige jährliche Wettbewerb machte Fortschritt vergleichbar.
Der Umschwung von 2012
AlexNet gewann den ImageNet-Wettbewerb 2012 mit einer Fehlerrate, die deutlich unter der des zweitplatzierten Verfahrens lag. Entscheidend waren nicht neue Ideen – Faltungsnetze gab es seit den 1980er Jahren –, sondern deren Zusammentreffen mit hinreichend vielen Daten und hinreichend billiger Rechenleistung auf Grafikprozessoren.
Die Folge war ein Methodenwechsel innerhalb weniger Jahre. Handgefertigte Merkmale verschwanden praktisch vollständig; die Merkmalsextraktion wurde Teil des gelernten Modells. Die Architekturen wurden tiefer, was neue Probleme mit sich brachte – insbesondere die Schwierigkeit, Fehlersignale über viele Schichten hinweg weiterzureichen, die durch Kurzschlussverbindungen zwischen den Schichten gelöst wurde.
Ab 2020 verschob sich die Architektur ein zweites Mal. Der ursprünglich für Sprache entwickelte Transformer erwies sich als konkurrenzfähig, wenn man Bilder in Felder zerlegt und diese wie eine Folge behandelt. Damit fiel die letzte Trennung zwischen Bild- und Sprachverarbeitung.
Verfahren und Aufgaben
| Aufgabe | Frage | Ausgabe |
|---|---|---|
| Klassifikation | Was ist zu sehen? | Kategorie |
| Detektion | Wo befindet es sich? | Rahmen mit Kategorie |
| Segmentierung | Welche Bildpunkte gehören dazu? | Maske je Objekt |
| Tiefenschätzung | Wie weit ist es entfernt? | Abstandskarte |
| Posenschätzung | Wie ist es ausgerichtet? | Gelenk- oder Lagepunkte |
| Verfolgung | Wohin bewegt es sich? | Bahn über die Zeit |
Eine eigenständige Entwicklungslinie bildet das Lernen ohne Beschriftungen. Da beschriftete Bilder teuer sind, unbeschriftete aber praktisch unbegrenzt verfügbar, gewann selbstüberwachtes Lernen erheblich an Bedeutung – etwa durch das gemeinsame Einbetten von Bildern und zugehörigen Bildunterschriften, wie es CLIP vorführte. Damit wurde Bilderkennung erstmals ohne feste Kategorienliste möglich: Das gesuchte Objekt wird sprachlich beschrieben statt aus einem vorgegebenen Katalog gewählt.
Anwendungsfelder
Maschinelles Sehen ist das am breitesten eingesetzte KI-Teilgebiet und in vielen Anwendungen unsichtbar geworden. Es steckt in der medizinischen Bildauswertung, in der industriellen Qualitätsprüfung, in Fahrassistenz und autonomem Fahren, in der Auswertung von Satellitenaufnahmen, in der Robotik und in praktisch jeder Smartphone-Kamera.
Für die verkörperte KI ist das Feld die Voraussetzung: Ein System, das in einer physischen Umgebung handeln soll, muss diese zuerst erfassen. Genau hier zeigt sich allerdings die verbliebene Schwierigkeit – nicht das Erkennen benannter Objekte unter guten Bedingungen, sondern das Zurechtkommen mit dem Unvorhergesehenen.
Kontroversen und Kritik
Gesichtserkennung und Überwachung. Kein anderes Teilgebiet hat so unmittelbare Anwendungen in der Überwachung. Die Kritik betrifft sowohl die Fehlerraten – die zwischen Bevölkerungsgruppen nachweislich ungleich verteilt sind – als auch den Einsatz an sich, der auch bei perfekter Genauigkeit in Grundrechte eingreift.
Datensätze und ihre Herkunft. Große Bilddatensätze wurden überwiegend ohne Einwilligung der Abgebildeten aus dem Netz zusammengetragen. Untersuchungen haben in etablierten Sammlungen zudem herabwürdigende Kategorien und systematische Verzerrungen nachgewiesen; einzelne Datensätze wurden daraufhin zurückgezogen.
Anfälligkeit für gezielte Störungen. Bildklassifikatoren lassen sich durch Veränderungen täuschen, die für Menschen nicht wahrnehmbar sind. Der Befund gilt seit über einem Jahrzehnt und ist trotz erheblicher Anstrengungen nicht behoben – ein Hinweis darauf, dass die gelernten Entscheidungsgrundlagen nicht mit den menschlichen übereinstimmen.
Verstehen oder Zuordnen. Der grundsätzliche Einwand lautet, dass hohe Erkennungsraten kein Verständnis der Szene belegen. Systeme scheitern regelmäßig an Konstellationen, die im Training nicht vorkamen, und stützen sich nachweislich auf Nebenmerkmale – Bildhintergründe, Aufnahmebedingungen, Beschriftungen im Bild – statt auf das eigentliche Objekt.
Verwandte Begriffe
- Convolutional Neural Networks – prägende Architektur des Felds
- ImageNet – Datensatz, der den Umschwung ermöglichte
- AlexNet – Modell, das ihn auslöste
- Vision Transformer – spätere Architekturlinie
- Fei-Fei Li – Initiatorin von ImageNet
- CLIP – Verbindung von Bild und Sprache
- Embodied AI – Anwendungsfeld mit den höchsten Anforderungen
- Deep Learning – übergeordnetes Verfahren
Quellenangaben
- Deng, Jia / Dong, Wei / Socher, Richard / Li, Li-Jia / Li, Kai / Fei-Fei, Li, 2009. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2009), S. 248–255. DOI: 10.1109/CVPR.2009.5206848.
- Dosovitskiy, Alexey u. a., 2021. An Image Is Worth 16×16 Words: Transformers for Image Recognition at Scale. In: Proceedings of the International Conference on Learning Representations (ICLR 2021). arXiv: 2010.11929. (Vision Transformer).
- He, Kaiming / Zhang, Xiangyu / Ren, Shaoqing / Sun, Jian, 2016. Deep Residual Learning for Image Recognition. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016), S. 770–778. DOI: 10.1109/CVPR.2016.90. Zuerst erschienen als Preprint arXiv: 1512.03385, Dezember 2015.
- Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
- Marr, David (1982): Vision: A Computational Investigation into the Human Representation and Processing of Visual Information.
- Radford, Alec / Kim, Jong Wook / Hallacy, Chris / Ramesh, Aditya / Goh, Gabriel / Agarwal, Sandhini / Sastry, Girish / Askell, Amanda / Mishkin, Pamela / Clark, Jack / Krueger, Gretchen / Sutskever, Ilya, 2021. Learning Transferable Visual Models from Natural Language Supervision. In: Proceedings of the 38th International Conference on Machine Learning (ICML 2021). arXiv: 2103.00020.
- Szegedy, Christian u. a., 2014. Intriguing Properties of Neural Networks. In: Proceedings of the International Conference on Learning Representations (ICLR 2014). arXiv: 1312.6199.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.