Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
cset25. August 2021 · Q005810

Concentrations of AI-related Topics in Research: Computer Vision

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht wertet 1.105 im Februar 2021 als Computer-Vision-Cluster eingestufte Forschungscluster aus: 93 Prozent lagen in der Informatik, und bei 473 Clustern betrug der CV-Anteil 25 bis 50 Prozent. Beispiele aus Mathematik und Sozialwissenschaften zeigen, dass die Kennzeichnung auch interdisziplinäre Forschung umfasst; die im Bericht aufgeführten Cluster-IDs wurden später durch eine Aktualisierung ersetzt.

Mittel

Der Bericht betrachtet 1.105 Forschungscluster, die im Februar 2021 als Computer-Vision-Cluster (CV) eingestuft waren. Dafür mussten mindestens 25 Prozent der Arbeiten KI-bezogen und mindestens 25 Prozent CV-bezogen sein; Computer Vision musste unter den KI-Themen überwiegen. Laut Bericht lagen 93 Prozent der Cluster in der Informatik. Bei 473 Clustern machten CV-Arbeiten 25 bis 50 Prozent aus, bei 370 mehr als 50 bis 75 Prozent und bei 262 mehr als 75 bis 100 Prozent.

Vier Beispiele zeigen die fachliche Spannweite: Ein Cluster zur Videosegmentierung hatte einen CV-Anteil von 98 Prozent; ein interdisziplinäres Cluster zu Echtzeitverarbeitung und mobilen Cloud-Systemen lag mit 25 Prozent am unteren Rand der Einstufung. Hinzu kommen ein mathematisches Cluster zur Bildentrauschung mit 66 Prozent und ein sozialwissenschaftliches Cluster zur Gesichtsverarbeitung bei Primaten mit 49 Prozent CV-Anteil. Der Bericht erläutert, dass solche Cluster nicht ausschließlich CV-Forschung enthalten müssen. Die genannten Cluster-IDs sind außerdem veraltet, da CSET die Wissenschaftskarte im August 2021 aktualisierte und neue IDs vergab.

Ausführlich lesen

Der Bericht untersucht, wie computer-visionbezogene Forschung (CV) in den wissenschaftlichen Forschungsclustern (RCs) verteilt ist und in welchen Fachgebieten sie angewendet wird. Grundlage sind 1.105 Cluster, die im Februar 2021 als CV-Cluster eingestuft waren. Ein Cluster erhielt diese Kennzeichnung, wenn mindestens 25 Prozent seiner Arbeiten KI-bezogen und mindestens 25 Prozent CV-bezogen waren und Computer Vision unter den KI-Themen überwog. Die Einordnung macht also auch fachübergreifende Cluster sichtbar, die nicht ausschließlich Computer Vision behandeln.

Laut Bericht entfielen 1.024 Cluster beziehungsweise 93 Prozent auf die Informatik. Mathematik, Medizin und Erdwissenschaften stellten jeweils 24, 24 und 21 Cluster. Sozialwissenschaften umfassten sechs Cluster, Biologie fünf und Ingenieurwissenschaften eines. Bei der Konzentration CV-bezogener Veröffentlichungen lagen 473 Cluster zwischen 25 und 50 Prozent, 370 über 50 bis einschließlich 75 Prozent und 262 über 75 bis 100 Prozent. Damit hatte der größte Anteil der Cluster nur eine CV-Konzentration von höchstens 50 Prozent.

Vier Beispiele verdeutlichen die Bandbreite. Das Cluster 35520 zur Objekterkennung und -segmentierung in Videos enthielt 679 Arbeiten aus den Jahren 2015 bis 2021; laut Bericht waren 98 Prozent CV-bezogen. Am anderen Ende lag Cluster 54261 mit 617 Arbeiten zu Echtzeitverarbeitung, Cloud-Verteilung und mobilen Geräten. Es verband unter anderem verteiltes Rechnen, Echtzeitverarbeitung und Computer Vision; 25 Prozent seiner Arbeiten waren CV-bezogen. Der Bericht betont, dass dieses Cluster deshalb nicht ausschließlich als CV-Forschung zu verstehen ist.

Ein Beispiel aus der Mathematik ist Cluster 87188: Es befasste sich mit der Entfernung von Rauschen in Bildern und mathematischen Verfahren dafür. Von seinen 217 Arbeiten waren 66 Prozent CV-bezogen. Das sozialwissenschaftliche Beispiel, Cluster 55088, behandelte die Gesichtsverarbeitung bei Primaten anhand von Laborstudien. Bei 518 Arbeiten betrug der CV-Anteil 49 Prozent. Die Zuordnung zu Computer Vision beruht hier auf der inhaltlichen Verbindung zum Thema Gesichtserkennung, obwohl viele Arbeiten keine direkten CV-Implementierungen beschreiben.

Zur Charakterisierung der Cluster nennt der Bericht jeweils fünf zentrale Arbeiten. Als „Kernarbeiten“ gelten Veröffentlichungen mit starken Zitierverbindungen innerhalb des Clusters. Der Text weist zugleich darauf hin, dass Cluster nicht zwingend homogene Forschungsgebiete bilden und dass die Kennzeichnung daher keine Aussage bedeutet, alle enthaltenen Arbeiten seien unmittelbar Computer-Vision-Forschung. Eine weitere Einschränkung betrifft die IDs: CSET aktualisierte die Wissenschaftskarte im August 2021 und vergab dabei neue Cluster-IDs. Die im Bericht genannten Nummern stimmen daher nicht mit den IDs der aktualisierten Karte überein.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Einordnung nennt für jede Frage eine Stufe 3 und Prozentwerte (79, 46, 42 Prozent), die im Bericht nicht vorkommen und sich aus ihm nicht ableiten lassen. Die Prozentwerte sind deshalb nicht belegt. Die Zusammenfassung selbst gibt den Bericht im Kern korrekt wieder; die Angaben zu Clustern, Anteilen und der Aktualisierung der IDs stimmen mit dem Text überein.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Anteil von 43 Prozent der CV-Cluster im Bereich 25 bis 50 Prozent
  • Die Erläuterung, dass CV-Technologien etwa in autonomen Fahrzeugen und medizinischer Bildgebung eingesetzt werden
  • Die Methode der Kernpapiere (Core Papers) als Grundlage der Clusterbeschreibungen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 55 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 79 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →