Angesichts des wachsenden Einsatzes von Computer Vision in Anwendungen von ADAS über medizinische Diagnosen bis hin zur Robotik ist es entscheidend, die Schwachstellen zu mildern, wie die Fähigkeit, Grenzfälle zu identifizieren oder ob Algorithmen auf oberflächlichen Datensätzen trainiert sind. Während bekannte Fehler oft menschliche Entscheidungen sind, gibt es auch fundamentale technische Probleme, die weitere Forschung erfordern. Computer Vision hat sich als dominante Idee und bevorzugter Begriff etabliert und wird sogar von Robotikern genutzt, so Jay Pathak, Senior Director der Forschung und Entwicklung bei Ansys.
Ursprünglich sollte Computer Vision die Kraft und Vielseitigkeit menschlicher Vision replizieren. Das Problem schien einfacher zu sein als kognitive Herausforderungen wie Schach. Akademische und Industrieforscher arbeiten in drei Hauptkategorien: Bildaufnahme, Bildklassifizierung/-erkennung und Bildgenerierung. Die Verwendung von künstlichen neuronalen Netzen hat traditionelle Computer Vision Techniken für die Objekterkennung und -erkennung verdrängt.
Die neuesten Formen von Netzwerkmodellen sind Convolutional Neural Networks (CNNs) und Transformer. Transformers sind eine natürliche Weiterentwicklung von CNNs und rekurrenten neuronalen Netzen. Die Hardware-Seite wird zu einem Engpass, da Akademiker und Industrie dabei sind, Eckenfälle zu lösen und umfassendere und präzisere Ergebnisse zu erzielen. Designern wird geraten, ganzheitlich über Computer Vision nachzudenken, da die visuelle Qualität nicht nur von komplexen Algorithmen, sondern auch von der Bildaufnahme durch eine Kette von optimal angepassten Hardware- und Softwarekomponenten abhängt.
Ein weiteres ernsthaftes Problem für Computersichtsysteme ist die Tatsache, dass sie nicht getestet werden können. Vor allem Transformer sind berüchtigte Blackboxen und müssen interpretierbarer werden, damit wir verstehen können, was im Inneren vor sich geht. Es ist entscheidend, Algorithmen zu entwickeln, die verständlicher sind, um die Fehlerquellen zu identifizieren. Im akademischen Bereich und hoffentlich auch in Unternehmen müssen die Algorithmen auf zufälligen Stichproben getestet werden, doch wenn diese Stichproben auf bestimmte Weise voreingenommen sind – und das sind sie oft – können sie Situationen übersehen, die selten auftreten.