Mugihiko Kato und Biyu J. He bauten einen Bildsatz aus 240 Objektvorlagen, in dem sechs Bearbeitungen jeweils einzelne Bildmerkmale entfernen. In die Auswertung gingen 60 über die Plattform Prolific gewonnene Personen ein, die die Objekte in einem Online-Versuch benannten; verglichen wurde mit 209 tiefen neuronalen Netzen unterschiedlicher Bauart, Trainingsdaten und Trainingsziele.
Bei Menschen zeigt sich, wie stark der Gesamtumriss trägt: Allein aus der Silhouette erkannten sie 58,4 Prozent der Objekte, allein aus der Textur 18,4 Prozent und allein aus den Binnenteilen 26,9 Prozent. In den texturhaltigen Bedingungen hielten die Modelle mit und übertrafen Menschen teils sogar.
Die Modelle brechen ein, sobald Umriss und lokale Form entkoppelt werden: Die Forschenden füllten die Kontur mit vielen kleinen Kreuzen. ConvNeXt hielt 95 Prozent dieser Bilder für ein Kreuzworträtsel, CLIP-Modelle tippten auf Kettenhemd, Fliegengitter oder Fadenwurm. Ein Stable-Diffusion-Klassifikator kam auf 1,41 Prozent Treffer, weitere Modelle auf null oder nahe null.
Die Information fehlt den Netzen dabei nicht: Ab der mittleren Schicht ließ sich die Objektklasse über dem Zufallsniveau auch aus Modellen auslesen, die keine einzige Antwort richtig gaben. Die Netze verarbeiten den Umriss also, ziehen ihn aber nicht zur Entscheidung heran. Der zweite Versuch mit den Kreuz-Bildern stützt sich auf zehn weitere Personen.