Нейросети нужно видеть силуэт,

Не нужно, оно работает не так.

1. Начинается с того, что программист формирует ряд абстрактных метрик для изображения. Какие конкретно метрики — за скобками. Ну например — количество ярких точек, неравномерность, количество черных пикселей по горизонтали, еще что-то — не суть. Это вопрос к эксперту по изображениям.

2. Далее нейросети скармливают 100500 картинок с пометкой — тут есть человек, а тут нет. Источник картинок — как раз та веб-морда из статьи, где люди глазами смотрят. При этом скорее всего ей не показывают где именно человек.

3. На основе обучающих примеров нейросеть формирует два (или более более) множеств в пространстве из N измерений, где N — это количество метрик. И строит аппроксимирующую функцию, которая их разграничивает. А множества — это где есть люди и где нет.

4. Получив выборку данных разработчики пересматривают метрики. Задача выбрать их так, чтобы они пилили множества +/- однозначно.

5. Получив очередную картинку, но уже без подсказки — она смотрит в какое множество эта картинка попала.

Нейросеть не распознает силуэты — она просто характеризует очередное изображение по заданным критериям и на основе того, куда попала картинка — говорит есть на ней люди или нет.

Распознавание силуэта (человек/не человек) — это задача другой нейросети (возможно такая поднята сверху над первой). Ей также скармливают 100500 силуэтов и говорят где люди, а где нет. Вы каждый раз когда капчу заполняете — скорее всего обучаете чью-то нейросеть.

Задача определения человека на фото может выглядеть примерно так:

1. Тут есть объекты или нет

2. В левой половине или в правой

3. В верхней половине или нижней

4. Объект живой или не живой

5. Животное или человек

Где ответ на каждый вопрос дается отдельной нейросетью.