Autonomes Lernen von Objektrepräsentationen

• Antragsteller: Professor Dr. Jochen Triesch
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine, Kognitive und Mathematische Psychologie ; Experimentelle und theoretische Netzwerk-Neurowissenschaften
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459426179

Eine der ersten und wichtigsten Abstraktionsleistungen unseres Gehirns ist es, Objekte unabhängig von Blickwinkel, Entfernung, Hintergrund und Beleuchtung zu erkennen. Diese Leistung beruht auf der Informationsverarbeitung im sog. ventralen Pfad des visuellen Systems unseres Gehirns, der eine Hierarchie von Repräsentationen unterschiedlichen Abstraktionsgrades beheimatet. Dieser Verarbeitungspfad ist zwar sehr gut untersucht, jedoch ist nach wie vor unklar, wie diese und ähnliche Abstraktionsleistungen erlernt werden. Heutige künstliche Objekterkennungssysteme basierend auf tiefen neuronalen Netzen weisen eine ähnliche hierarchische Struktur auf, aber sie lernen ganz anders. Im Gegensatz zum biologischen Vorbild brauchen sie oft Millionen annotierter Trainingsbeispiele, während uns sehr wenige und manchmal sogar nur ein einziges Beispiel ausreichen. Wie ist das möglich und wie können wir dieses sehr viel effizientere Lernen in künstlichen Systemen nachahmen? Dieses Projekt bringt klassische Ideen aus den Neurowissenschaften und moderne Ansätze aus dem maschinellen Lernen zusammen und schlägt eine neue Architektur vor, das sog. “contrastive learning through time” (CLTT), um die Kluft zwischen biologischen und künstlichen Sehsystemen zu überbrücken. Gleichzeitig entwickelt es einen neuen Ansatz für aktives, durch Neugier angetriebenes Lernen von Objektrepräsentationen, der es zukünftigen künstlichen Sehsystemen erlauben soll, deutlich autonomer lernen zu können. Mit unseren Kollaborationspartnern aus dem ARENA Konsortium werden wir das Lernen mittels CLTT und die daraus resultierenden hierarchischen Repräsentationen direkt mit dem Lernen und den Repräsentationen von Versuchspersonen in psychologischen Experimenten vergleichen. Insgesamt wird das Projekt uns helfen besser zu verstehen, wie unser Gehirn so effizient abstrakte Repräsentationen lernt und wie wir technische Systeme mit dieser Fähigkeit ausstatten können.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5368: KI-FOR Abstrakte Repräsentationen in neuronalen Architekturen (ARENA)