Der Stand der Technik vieler Aufgaben im Bereich des Computersehens wird derzeit durch Faltungsneuronale Netze (Convolutional Neural Networks, CNNs) repräsentiert. Obwohl ihre hierarchische Struktur und die lokale Merkmalsextraktion von der Architektur der primate visuellen Systeme inspiriert sind, unterscheidet sich ihre Analyse aufgrund des Fehlens lateraler Verbindungen entscheidend von der biologischen Objektverarbeitung. In den letzten Jahren wurde das Konzept der Erweiterung von CNNs um rekurrente, faltungsartige laterale Verbindungen praktisch umgesetzt, beispielsweise durch gelernte rekurrente Kerne ohne geometrische Einschränkungen. In der vorliegenden Arbeit stellen wir biologisch plausibel erscheinende laterale Kerne vor, die eine Vorstellung von Korrelation zwischen den vorwärtsgerichteten Filtern eines CNNs kodieren: In jeder Schicht fungiert der zugehörige Kern als Übergangskern im Raum der Aktivierungen. Die lateralen Kerne werden dabei anhand der Filter definiert, wodurch ein parameterfreier Ansatz zur Beurteilung der Geometrie horizontaler Verbindungen auf Basis der vorwärtsgerichteten Struktur bereitgestellt wird. Anschließend testen wir diese neue Architektur, die wir KerCNN nennen, auf einer Generalisierungsaufgabe im Zusammenhang mit der globalen Formanalyse und Muster-Vervollständigung: Nach der Ausbildung zur grundlegenden Bildklassifikation wird das Netzwerk auf gestörte Testbilder evaluiert. Die untersuchten Bildstörungen sind so gestaltet, dass sie die Erkennung über lokale Merkmale erschweren, wodurch eine Integration von Kontextinformation erforderlich wird – ein Aspekt, der in der biologischen Wahrnehmung eng mit lateralen Verbindungen verknüpft ist. Unsere KerCNNs erweisen sich gegenüber solchen Degradierungen deutlich stabiler als herkömmliche CNNs und rekurrente CNNs, was diesen biologisch inspirierten Ansatz zur Verstärkung der Objekterkennung unter anspruchsvollen Bedingungen bestätigt.