Algorithmic Ways of Seeing: Improving Image Recognition by Training on Art Images

Når algoritmer ser kunst: Forbedret billedgenkendelse ved brug af ikke-fotografisk billedkunst

Billedgenkendelsessystemer er meget gode til at genkende objekter i fotografier, men har det svært med at genkende objekter i ikke-fotografiske billeder. Dette står i skarp kontrast til hvordan mennesker ser billeder: Selv et meget lille barn kan genkende de samme objekter i fotografier så vel som stregtegninger. Dersom vi kan udvikle algoritmer som kan se objekter på samme måde, vil det kunne føre til bedre og mere robuste billedgenkendelsessystemer. Vi udforsker dette problem ved at arbejde med kunstbilleder som malerier og skidser, og vil forsøge at løse to væsentlige hindringer: For det første behøver vi at lave store datasæt med ikke-fotografiske billeder, som skal bruges til udvikle bedre algoritmer. Dernæst behøves der en bedre forståelse af de etiske og kulturelle dimensioner ved forskellen mellem algoritmer og menneskers måde at se på.