Там, где человек видит формы, ИИ видит текстуры

На хабре уже был обзор этой же статьи, написанный с меньшим количеством воды и с техническими деталями.

А про диван леопардовой расцветки писали еще 4 года назад

На самом деле будет очень круто, когда поверх слоя сетей которые распознают материалы и текстуры навернуть другие алгоритмы которые пользуясь информацией о том что это за текстуры станут распознавать образы. Мы же во многом так думаем, видя кусок шерсти мы не знаем, медведь это, собака или шуба, но видя в целом мы сопоставляем и форму и текстуру и делаем вывод.

Работу человеческого мозга по распознаванию объектов можно изучить, например, показывая человеку современные (или наоборот, старинные) фотографии того города, в котором он когда-то жил (или живет)

В отличии от кошек и проч. — здания и улицы могут оставаться неизменными на протяжении долгого времени или сохранять какие-то узнаваемые черты при наличии большого количества изменений.
Эта относительная неизменность дает некоторую базу для изучения механизма распознавания.

(довольно часто приходилось наблюдать, как человек не мог распознать на снимке хорошо знакомые ему улицы и здания после современной «точечной» застройки. Однако практически всегда, хотя и не очень быстро, мозг человека определял совокупность нескольких мелких объектов на снимке, после чего происходило мгновенное узнавание. Иногда это вызывало досаду: «как я мог не узнать сразу, ведь это очевидно!»)

Однако те же самые изображения, видоизменённые чуть-чуть по-другому, совершенно сбили сеть с толку, хотя для людей новое искажение выглядело практически так же, как и старое.

это просто оверфит. Надо добавлять к картинке случайный микро-шум чтобы выбивать этот оверит. Ещё можно обучать на 3Д- рендеринге с простой текстурой но чёткими формами. И вангую внезапно окажется что надо в разы меньше слоёв.

ИМХО состоит в том, что сеть учится на статичных, фиксированных изображениях, а человек — на «видеопотоке», который даёт как чёткие изображения, так и смазанности, игру теней, движение на похожем фоне и т.п., причём человек (ребёнок) понимает, что это слегка размытое очертание это та же кошка что секунду назад сидела приготовившись к прыжку. И ребёнок таким образом научится распознавать кошек в движении. А нейросеть — нет, она работает (на сегодня) со «стоп-кадрами», и не способна отслеживать движение объектов во время, когда они принимают нестандартные формы или нечётко видны.