Aktuelle KI-Systeme für Computer Vision haben bemerkenswerte Leistungen erzielt, haben jedoch einen entscheidenden Nachteil: Sie benötigen enorme Rechenressourcen und Energie, was ihren Einsatz für autonome Agenten und Edge-Geräte unpraktisch macht. Im Gegensatz dazu verarbeitet das visuelle System von Primaten komplexe visuelle Informationen mit bemerkenswerter Effizienz, Genauigkeit und Robustheit bei geringerem Ressourcenverbrauch. Zudem werden heutige Computer-Vision-Modelle typischerweise für statische Bild-/Videoverarbeitung entwickelt, anstatt von Grund auf für verkörperte, aktive Agenten konzipiert zu sein, die sich bewegen und ihre Umgebung erkunden. Diese grundlegende Diskrepanz begrenzt ihre Anwendbarkeit in realen Szenarien, in denen Agenten aktiv visuelle Informationen sammeln müssen. Im Gegensatz dazu koordiniert das visuelle System von Primaten dynamisch mit motorischen Funktionen, um mit der Umgebung zu interagieren. Das Ziel des Projekts ist die Entwicklung einer neurobiologisch inspirierten Computer-Vision-Architektur, die grundlegende Prinzipien des Primaten-Sehsystems integriert, um die Ressourceneffizienz aktueller Computer-Vision-Systeme erheblich zu verbessern. Das Projekt hat drei wissenschaftliche Ziele: 1) Aufbau und Optimierung einer Netzwerkarchitektur, inspiriert vom visuellen System der Primaten. 2) Identifizierung normativer Prinzipien, die den Repräsentationen in den verschiedenen Modellkomponenten zugrunde liegen könnten. 3) Evaluierung und Feinabstimmung des Modells hinsichtlich Performance sowie Passung zu neuronalen und Verhaltensdaten. Ziel des Projektes ist es, mit einem vom Gehirn inspirierten Ansatz wettbewerbsfähige Performance zu erzielen und dabei eine starke Repräsentationsähnlichkeit zur Biologie aufrechtzuerhalten. Dies würde aufzeigen, wie neurowissenschaftliche Erkenntnisse KI voranbringen und gleichzeitig unser Verständnis des biologischen Sehens vertiefen können.