Image Triggers Image Triggers
This cluster explores how the automated logics of machine vision can be exploited, subverted, or turned against themselves—compromising algorithmic surveillance systems and disrupting the monetization of attention. Today, images are not merely captured; they are continually analyzed by software embedded in everything from smartphones and CCTV to doorbells and self-driving cars. Machine vision systems scan for faces, bodies, gestures, license plates—treating visual data as actionable information. Automated License Plate Recognition (ALPR) networks, used for traffic enforcement, toll collection, and law enforcement surveillance, represent a particularly pervasive form of computational seeing.
Kate Rose, Adversarial Fashion, 2020
Designer and activist Kate Rose has created a line of garments under the project Adversarial Fashion that interferes with these systems. The clothes feature carefully designed patterns that are interpreted by ALPR cameras as false license plates—feeding noise into the databases of surveillance networks and exposing their vulnerabilities. In 2020, commissioned by Fotomuseum Winterthur, Rose produced a limited-edition T-shirt emblazoned with a quote from artist and author Trevor Paglen, which became part of this adversarial tactic. The shirts not only mislead machine vision but embed critical reflections directly into the system database: “How do we see the world with machines? What happens if we think about photography in terms of imaging systems instead of images?… What are the implications of a world in which photography is both ubiquitous and, curiously, largely invisible?”
Sanne Weekers, Anonymity Scarf, 2017
Other designers have explored how garments can disable or confuse machinic vision. In 2017, Sanne Weekers developed the Anonymity Scarf, printed with multiple faces that act as decoys, disrupting facial recognition systems. Similarly, fashion studio Cap_able creates textiles embedded with adversarial images—visual noise designed to deceive neural networks. These garments appear as colorful abstractions to human eyes but are misread by AI systems, rendering faces undetectable or wrongly categorizing people as objects or animals. Such image decoys protect biometric data and highlight the vulnerabilities of surveillance infrastructures.
Cap_able, 2019 –
A more recent example is Digital Camouflage, a project by media artist Simon Weckert, who developed a garment intended to evade the computer-vision technologies increasingly used to monitor public spaces. To the casual observer, the shirt appears to feature an abstract, almost hypnotic design. Its pattern, however, serves a specific purpose: to disrupt object-recognition algorithms. These technologies are becoming part of urban surveillance infrastructure, including at Berlin’s Kottbusser Tor, while similar systems are already operating in cities such as London and Los Angeles.
Simon Weckert, Digital Camouflage, 2026
Image triggers also emerge in the algorithmic economies of social media, where bots are programmed to seek out popular images for profit. In 2019, artists and illustrators began noticing that images posted on platforms like Twitter were rapidly scraped by automated scripts and printed on merchandise sold through third-party e-commerce sites—often without consent or attribution. These bots scan for images with high engagement (likes, retweets, comments) and phrases like “I want this on a shirt,” converting social capital directly into commodified goods.
“I Want This On A T-Shirt” Bot Bait, 2023
In one notable online intervention, user @hannadouken tweeted an illustration captioned “This site sells STOLEN artworks, do NOT buy from them!” and invited others to bait the bots by replying with shirt-request comments. The tweet exploded, and within hours, her protest image was scraped and republished on T-shirts across online shops. Others joined in, flooding the bots with similar bait—sometimes using copyrighted material to trigger takedowns and legal challenges. By mimicking the behavior bots were trained to seek out, these users turned automated extraction mechanisms into unwitting participants in their protest.
In all these projects, images become triggers for algorithmic vision—they do not need to be actively decrypted by humans but are automatically activated by systems scanning for inputs. Through their representational surface, they bait machines and short-circuit the logic of the systems they inhabit. These images perform as decoys: designed to lure surveillance tools, data-scraping bots, and algorithmic viewers into engaging with content that undermines their purpose, revealing the blind spots and vulnerabilities of machine-seeing apparatuses.
Assignment
Create your own Image Triggers project inspired by the examples seen in class. Choose one of two options:
Option A: Test a trigger. Pick a machine vision system you can access, such as a face-detection demo, an object detector, Google Lens, or an automatic captioning or alt-text tool. Design an image, pattern or intervention that tries to confuse, mislead or redirect how the system sees. Test several variants and document what happens, including when it fails. What did the system see, and what did it miss or misread?
Option B: Set a bait. Think of an automated process that looks for specific images, such as a scraper, a recommendation algorithm, an indexing bot or a print-on-demand script. Design an image or caption that works as bait for it, and describe how the system would respond and what that response would expose.
Whichever option you choose, remember that adversarial patterns often work only on specific models and can be surprisingly fragile. A trigger that fails is still a result worth sharing.
Add your name, a description of your project and some images to the share document.
Dieses Cluster untersucht, wie sich die automatisierten Logiken des Machine Vision ausnutzen, unterwandern oder gegen sich selbst wenden lassen – und damit algorithmische Überwachungssysteme kompromittieren und die Monetarisierung von Aufmerksamkeit stören. Bilder werden heute nicht mehr nur aufgenommen, sondern laufend von Software analysiert, die in alles eingebettet ist, von Smartphones und Überwachungskameras bis zu Türklingeln und selbstfahrenden Autos. Machine-Vision-Systeme suchen nach Gesichtern, Körpern, Gesten und Nummernschildern und behandeln visuelle Daten als verwertbare Information. Netzwerke zur automatischen Nummernschilderkennung (Automated License Plate Recognition, ALPR), die für Verkehrsüberwachung, Mauterhebung und polizeiliche Überwachung eingesetzt werden, sind eine besonders verbreitete Form des computergestützten Sehens.
Kate Rose, Adversarial Fashion, 2020
Die Designerin und Aktivistin Kate Rose hat unter dem Projekt Adversarial Fashion eine Kleiderlinie entwickelt, die in diese Systeme eingreift. Die Kleidungsstücke zeigen sorgfältig gestaltete Muster, die von ALPR-Kameras als falsche Nummernschilder interpretiert werden – sie speisen Rauschen in die Datenbanken von Überwachungsnetzwerken ein und legen deren Schwachstellen offen. 2020 realisierte Rose im Auftrag des Fotomuseum Winterthur ein T-Shirt in limitierter Auflage, bedruckt mit einem Zitat des Künstlers und Autors Trevor Paglen, das Teil dieser adversarialen Taktik wurde. Die Shirts täuschen nicht nur die Machine Vision, sondern schreiben kritische Reflexionen direkt in die Systemdatenbank ein: „How do we see the world with machines? What happens if we think about photography in terms of imaging systems instead of images?… What are the implications of a world in which photography is both ubiquitous and, curiously, largely invisible?“
Sanne Weekers, Anonymity Scarf, 2017
Andere Designer:innen haben erforscht, wie Kleidung das maschinelle Sehen ausschalten oder verwirren kann. 2017 entwickelte Sanne Weekers den Anonymity Scarf, der mit mehreren Gesichtern bedruckt ist. Diese fungieren als Köder (Decoys) und stören Gesichtserkennungssysteme. Ähnlich stellt das Modestudio Cap_able Textilien her, in die adversariale Bilder eingebettet sind – visuelles Rauschen, das neuronale Netze täuschen soll. Für menschliche Augen wirken diese Kleidungsstücke wie farbenfrohe Abstraktionen, von KI-Systemen werden sie jedoch falsch gelesen: Gesichter bleiben unerkannt, oder Menschen werden fälschlich als Objekte oder Tiere kategorisiert. Solche Image Decoys schützen biometrische Daten und machen die Verwundbarkeit von Überwachungsinfrastrukturen sichtbar.
Cap_able, 2019 –
Ein neueres Beispiel ist Digital Camouflage, ein Projekt des Medienkünstlers Simon Weckert, der ein Kleidungsstück entwickelt hat, das sich den Computer-Vision-Technologien entziehen soll, die zunehmend zur Überwachung öffentlicher Räume eingesetzt werden. Für beiläufige Betrachter:innen zeigt das Shirt ein abstraktes, fast hypnotisches Muster. Dieses Muster dient jedoch einem bestimmten Zweck: Es soll Algorithmen zur Objekterkennung stören. Solche Technologien werden Teil der urbanen Überwachungsinfrastruktur, unter anderem am Berliner Kottbusser Tor, während ähnliche Systeme in Städten wie London und Los Angeles bereits im Einsatz sind.
Simon Weckert, Digital Camouflage, 2026
Image Triggers entstehen auch in den algorithmischen Ökonomien der sozialen Medien, in denen Bots darauf programmiert sind, populäre Bilder gewinnbringend aufzuspüren. 2019 bemerkten Künstler:innen und Illustrator:innen, dass Bilder, die auf Plattformen wie Twitter gepostet wurden, rasch von automatisierten Skripten abgegriffen (gescraped) und auf Merchandise gedruckt wurden, das über Onlineshops von Drittanbietern verkauft wird – oft ohne Zustimmung oder Namensnennung. Diese Bots durchsuchen Bilder mit hohem Engagement (Likes, Retweets, Kommentare) und Wendungen wie „I want this on a shirt“ und verwandeln so soziales Kapital direkt in kommerzialisierte Waren.
“I Want This On A T-Shirt” Bot Bait, 2023
In einer bekannten Online-Intervention twitterte die Nutzerin @hannadouken eine Illustration mit der Bildunterschrift „This site sells STOLEN artworks, do NOT buy from them!“ und forderte andere auf, die Bots zu ködern, indem sie mit Shirt-Wünschen antworteten. Der Tweet ging viral, und innerhalb weniger Stunden wurde ihr Protestbild abgegriffen und in Onlineshops auf T-Shirts neu veröffentlicht. Andere schlossen sich an und überschwemmten die Bots mit ähnlichen Ködern – teils mit urheberrechtlich geschütztem Material, um Takedowns und rechtliche Auseinandersetzungen auszulösen. Indem sie das Verhalten nachahmten, nach dem die Bots suchen sollten, machten diese Nutzer:innen automatisierte Extraktionsmechanismen zu unfreiwilligen Beteiligten ihres Protests.
In all diesen Projekten werden Bilder zu Triggern für algorithmisches Sehen – sie müssen nicht von Menschen aktiv entschlüsselt werden, sondern werden automatisch von Systemen aktiviert, die nach Inputs suchen. Über ihre repräsentationale Oberfläche ködern sie Maschinen und unterlaufen die Logik der Systeme, in denen sie sich bewegen. Diese Bilder fungieren als Decoys: Sie sind darauf angelegt, Überwachungswerkzeuge, Data-Scraping-Bots und algorithmische Betrachter:innen dazu zu verleiten, sich auf Inhalte einzulassen, die ihren eigenen Zweck untergraben, und so die blinden Flecken und Verwundbarkeiten maschinensehender Apparate offenzulegen.
Aufgabe
Entwickelt euer eigenes Image Triggers-Projekt, inspiriert von den im Unterricht gezeigten Beispielen. Wählt eine von zwei Optionen:
Option A: Einen Trigger testen. Wählt ein Machine-Vision-System, auf das ihr Zugriff habt, zum Beispiel eine Gesichtserkennungs-Demo, einen Objektdetektor, Google Lens oder ein Tool für automatische Bildbeschreibungen bzw. Alt-Texte. Gestaltet ein Bild, ein Muster oder eine Intervention, die versucht, die Art und Weise zu verwirren, irrezuführen oder umzulenken, wie das System sieht. Testet mehrere Varianten und dokumentiert, was passiert – auch wenn es scheitert. Was hat das System gesehen, und was hat es übersehen oder falsch gelesen?
Option B: Einen Köder auslegen. Überlegt euch einen automatisierten Prozess, der nach bestimmten Bildern sucht, etwa einen Scraper, einen Empfehlungsalgorithmus, einen Indexierungs-Bot oder ein Print-on-Demand-Skript. Gestaltet ein Bild oder eine Bildunterschrift, die für ihn als Köder funktioniert, und beschreibt, wie das System darauf reagieren würde und was diese Reaktion offenlegen würde.
Unabhängig von eurer Wahl gilt: Adversariale Muster funktionieren oft nur bei bestimmten Modellen und können überraschend fragil sein. Ein Trigger, der scheitert, ist trotzdem ein Ergebnis, das sich zu teilen lohnt.
Fügt euren Namen, eine Beschreibung eures Projekts und einige Bilder in das geteilte Dokument ein.