Nel settore dei beni culturali (BBCC) e del patrimonio architettonico, le digital humanities o “informatica umanistica” stanno diventando sempre più uno strumento efficace per la gestione, tutela, salvaguardia e conservazione del patrimonio (Figura 1). Questo campo di studi integra le tecniche informatiche con le discipline umanistiche al fine di efficientarne le ricerche, migliorare il processo di digitalizzazione, semplificarne le estrazioni semantiche e supportare le pubbliche amministrazioni, gli enti gestori e i professionisti del settore.
Figura 1. Andamento globale delle ricerche del termine “digital humanities” su Google Trend dal 2004 ad oggi. Il calo nella tendenza corrisponde al periodo post-pandemico COVID-19.
L’informatica, infatti, può fornire un valido aiuto sia per l’interpretazione dei nuovi dati (soprattutto nell’era dei Big Data), sia per il veloce reperimento delle informazioni. I campi di applicazione sono molteplici, dalla letteratura alla musica, dalle arti figurative all’archeologia e all’architettura. Soprattutto all’interno di queste ultime tre discipline e nel campo della GeoAI (Geospatial Artificial Intelligence) (Lingua e Matrone, 2023), l’intelligenza artificiale (IA) sta ricoprendo sempre più un ruolo primario. In questi settori, le tecniche di IA si basano principalmente sull’uso di dati 2D e 3D, come immagini o nuvole di punti: ne è conseguito l’utilizzo di algoritmi di apprendimento automatico e profondo (machine learning e deep learning) per scopi quali la classificazione di immagini, il rilevamento e riconoscimento di oggetti o la segmentazione semantica.
In questo contesto, i lockdown durante la pandemia hanno cambiato l’atteggiamento nei confronti della tecnologia digitale: ad esempio, nei musei hanno accelerato la digitalizzazione delle collezioni e la riflessione sui modi per generare nuove entrate con l’aiuto della digitalizzazione stessa. Tuttavia, secondo un’indagine dell’innovazione museale del 2021, meno del 20% dei musei di tutto il mondo ha dichiarato di utilizzare l’IA per le proprie collezioni, amministrazione e gestione, istruzione e finanze.
Proprio per incentivare tale utilizzo, nel Novembre 2021, la Commissione Europea ha pubblicato una serie di raccomandazioni per l’incentivazione di uno spazio comune europeo dei dati per il patrimonio culturale (Shaping Europe’s digital future, 2021). Il documento incoraggia gli Stati membri a mettere in atto politiche per sostenere gli sforzi delle istituzioni del patrimonio culturale verso una digitalizzazione, un riutilizzo e una conservazione digitale di qualità superiore.
Infatti, lo sviluppo di tecnologie digitali avanzate, come il 3D, l’IA, l’apprendimento automatico, il cloud computing, le tecnologie dei dati, la realtà virtuale e la realtà aumentata, ha offerto opportunità senza precedenti proprio per la digitalizzazione, l’accesso online e la conservazione digitale.
La piattaforma europea del patrimonio culturale, Europeana, servirà da base per la creazione di questo spazio comune di dati, con una strategia che si concentra sul rafforzamento delle infrastrutture, sul miglioramento della qualità e della capacità dei dati e nella ricerca sull’intelligenza artificiale in progetti strettamente connessi con il patrimonio culturale.
Le digital humanities e la GeoAI per i beni culturali e il patrimonio architettonico
Europeana è una biblioteca digitale che contiene libri, film, dipinti, giornali, archivi sonori, mappe, manoscritti e archivi derivanti dalle istituzioni dei 28 paesi membri dell’Unione Europea in 30 lingue (Figura 2). Essa dà accesso a circa 31 milioni di immagini, 24 milioni di documenti testuali, 640 mila tracce audio, 360 mila video e 6 mila modelli 3D.
Figura 2. Homepage di Europeana.
Ora, se pensiamo agli algoritmi di apprendimento automatico o profondo, sappiamo che essi devono essere addestrati con una notevole quantità di dati e questa tipologia di piattaforme digitali ne costituiscono appunto una fonte preziosa. Parimenti lo sono i social media (Figura 3), da cui si possono estrarre migliaia di immagini e descrizioni testuali.
Figura 3. Immagini di beni culturali estratte dai social media.
Con tali tipologie di dati, una volta addestrati gli algoritmi supervisionati, si possono eseguire i task sopra citati come il riconoscimento di oggetti o la classificazione. Di seguito sono descritte alcune delle principali applicazioni in vari campi.
L’arte
Nel settore dell’arte, gli approcci supervisionati sono stati utilizzati per molti scopi, come l’identificazione i falsi sulla base dei tratti peculiari e del modo di dipingere dell’artista (Elgammal et al., 2017; Aluffi, 2017; Teixeira et al., 2002) o creando nuovi dipinti partendo da quelli più conosciuti (Epstein et al., 2020) (Figura 4). È stato inoltre studiato come predire lo stile pittorico e l’artista, in modo da poter effettuare una catalogazione automatica (Saleh e Elgammal, 2015) attraverso l’apprendimento di caratteristiche visive.
Figura 4. Ritratto di Edmond Belamy, venduto a 432.500$ e avente come firma parte del codice come cui è stato generato. Quest’opera è stata creata da una rete generativa avversaria (GAN) realizzato nel 2018 dal collettivo artistico con sede a Parigi Obvious.
L’archeologia
Nel campo dell’archeologia, le reti convoluzionali ricorrenti (Recurrent-CNN) sono state utilizzate per molteplici scopi. Ne è un esempio l’identificazione di siti sotto la superficie del suolo, basandosi su dati LiDAR (Light Detectiona and Ranging) o derivati da analisi territoriali (Figura 5).
Figura 5. Possibile localizzazione di siti precedentemente sconosciuti con vari gradi di certezza (Sharafi et al., 2016).
Un altro esempio, nell’ambito dell’archeologia dell’antico Egitto, è Fabricius un software online per il riconoscimento e la traduzione di geroglifici (Figura 6). Questa piattaforma di apprendimento automatico è stata lanciata da Google Arts & Culture il 15 luglio 2020, in concomitanza con l’anniversario del ritrovamento della Stele di Rosetta del 15 luglio 1799, e confronta ogni geroglifico con oltre 800 disegni diversi. Leggendo più disegni lo strumento è in grado di dare un senso a ogni geroglifico, accelerando così i tempi di traduzione e gettando le basi per la decifrazione di altre lingue antiche.
Figura 6. Esempio di traduzione dei geroglifici.
Sempre rimanendo nell’ambito dell’archeologia egizia, alcune reti neurali convoluzionali (CNN) come VGGNet, ResNet e DenseNet sono state pre-addestrate per proteggere i manufatti egiziani dal mercato illegale delle antichità (Roberts, 2020).
Un altro esempio da citare è il riconoscimento automatico di frammenti ceramici, ritrovamenti fondamentali negli scavi archeologici. La ceramica, infatti, è essenziale per la comprensione e la datazione dei contesti archeologici. Oggi la caratterizzazione e la classificazione delle ceramiche vengono effettuate manualmente, attraverso la competenza di specialisti e l’utilizzo di cataloghi analogici conservati presso archivi e biblioteche. Pur non cercando di sostituire le conoscenze e le competenze degli specialisti, il progetto ArchAIDE ha sviluppato un’app che semplifica la pratica del riconoscimento della ceramica, supportando l’essenziale lavoro di classificazione e interpretazione delle ceramiche, sia in situ che durante l’analisi post-scavo.
Figura 7. Progetto ArchAIDE, esempio di riconoscimento delle ceramiche. Home – ArchAIDE
L’architettura
Per quanto riguarda il patrimonio architettonico, è necessario fare una distinzione tra dati 2D e 3D. Quest’ultimi possono essere costituiti da modelli 3D (mesh) o nuvole di punti e aggiungono sicuramente una complicazione dal punto di vista dell’analisi da parte degli algoritmi di IA.
Dati 2D: le immagini
Il task più diffuso è sicuramente, come per gli altri ambiti, la classificazione delle immagini. Come si può notare dalle Figure 8 e 9, la classificazione delle immagini o addirittura la segmentazione di parte di esse per l’individuazione degli elementi architettonici consentono di semplificare le analisi, le ricerche o la catalogazione da parte di professionisti o degli enti gestori. Tale riconoscimento può anche essere sfruttato per la creazione di app per i turisti che, inquadrando o fotografando l’oggetto, possono ottenere ulteriori approfondimenti o informazioni (Palma, 2019) (Figura 10).
Figura 8. Classificazione di immagini ottenuta con CNN nel progetto INCEPTION (Llamas et al., 2016).
Figura 9. Flusso di lavoro proposto in (Stathopoulou e Remondino, 2019) per la segmentazione semantica delle immagini tramite CNN. Le classi annotate sono: “cielo” (giallo), “edificio” (blu), “finestra” (verde) e “ostacolo” (rosso).
Figura 10. Riconoscimento del bene architettonico all’interno dell’immagine e relative informazioni restituite all’interno dell’app (Palma, 2019).
Infine, come detto in precedenza, anche il crowdsourcing e le immagini sui social media caricate dai turisti potrebbero offrire un supporto significativo per la digitalizzazione del patrimonio culturale (Kulkarni et al., 2020) e per guidare gli enti di gestione nella valutazione delle impressioni dei visitatori di fronte ai beni culturali (Paolanti et al. al., 2019) (Figura 10).
Figura 11. Esempio di atteggiamento e sentimento dei visitatori di fronte a un bene architettonico.
Le immagini dei social media posso essere anche sfruttate per il rilevamento tempestivo dei danni legati ai disastri ambientali occorsi sul patrimonio architettonico (Kumar et al., 2020).
Oltre a questi lavori, molti studi cercano di sfruttare non solo il dominio delle immagini ma anche la tridimensionalità dei dati.
Dati 3D: le nuvole di punti
A metà strada tra la classificazione delle immagini e la presenza di dati 3D possiamo trovare il tentativo di ricostruzione tridimensionale di edifici storici a scopo di documentazione e preservazione della memoria storica, grazie alla combinazione di fotogrammetria e IA (Condorelli et al., 2020) (Figura 11).
Figura 12. Rilevamento degli oggetti nelle immagini storiche e successiva ricostruzione 3D (nuvola di punti) con la pipeline fotogrammetrica standard (Condorelli e Rinaudo, 2019).
Le tecnologie di intelligenza artificiale possono altresì automatizzare la conservazione, la gestione e il monitoraggio dei beni culturali immobili, concentrandosi anche sul comportamento strutturale. Ad esempio, a partire dai modelli 3D, è possibile sfruttare gli algoritmi di IA sulle frequenze di accelerazione per il monitoraggio della salute strutturale di un bene (Coletta et al., 2020) o per identificarne gli spostamenti strutturali (Wojtkowska et al., 2021). È stato così dimostrato che le reti neurali artificiali, oltre alla classificazione e alla segmentazione semantica, possono anche supportare metodi non invasivi e senza contatto per studiare le deformazioni strutturali degli edifici storici.
Come sopra descritto, anche se lo sfruttamento delle nuvole di punti è di fondamentale importanza; tuttavia, l’uso delle nuvole di punti del patrimonio per scopi di segmentazione semantica è ancora impegnativo e non semplice, soprattutto se si considera la mancanza di dataset specifici e l’eterogeneità degli elementi. Attraverso la segmentazione semantica delle nuvole di punti, sarebbe possibile, ad esempio:
- accelerare il calcolo metrico estimativo,
- automatizzare il riconoscimento dei degradi e patologie delle superfici o degli edifici,
- supportare il processo di scan-to-BIM o di digitalizzazione 2D su CAD (Figura 13),
- facilitare la creazione di ambienti di Realtà Aumentata a fini manutentivi o turistici.
Figura 13. Digitalizzazione automatica in CAD della tessitura muraria da ortofoto grazie alla predizione delle reti neurali (Agrafiotis et al., 2023).
Tutte queste opportunità hanno lo scopo di valorizzare e/o salvaguardare il nostro patrimonio architettonico. Tra questi vantaggi, la classificazione e la segmentazione semantica sono particolarmente utili per accelerare il processo di ricostruzione delle geometrie in ambiente BIM (Building Information Modelling), riconoscendo gli elementi architettonici storici a un adeguato livello di dettaglio.
Va però considerato che il nostro patrimonio architettonico è caratterizzato da geometrie molto variabili anche all’interno della stessa classe (murature, copertura, sistema voltato, colonna, pavimento, etc.) e descrivibili solo con un elevato livello di dettaglio, rendendo ancor oggi piuttosto difficoltosa l’applicazione delle strategie di apprendimento profondo sulle nuvole di punti.
In particolare, la segmentazione di nuvole di punti o mesh di edifici storici può essere utile per l’analisi a elementi finiti (FEA) (Gonizzi Barsanti et al., 2017) (Figura 14). Barsanti et al. testare alcuni algoritmi come il region-growing, dimostrandone l’efficacia per la segmentazione di strutture piatte e ben definite, anche se geometrie più complesse come curve o gap non sono state segmentate correttamente e i tempi di calcolo sono aumentati considerevolmente. Sono stati poi testati alcuni software per la segmentazione diretta delle mesh, ma in questo caso i risultati mostrano che il processo è ancora completamente manuale.
Figura 14. Segmentazione mediante la suddivisione in piani (Gonizzi Barsanti et al., 2017).
Come detto precedentemente, oltre ad analisi strutturali, la segmentazione semantica delle nuvole di punti del patrimonio architettonico può anche essere un supporto per il processo di scan-to-BIM. L’adozione di tale metodologia nel settore dell’edilizia è sempre più richiesta, anche nelle normative nazionali e internazionali, pertanto l’automazione del processo di digitalizzazione potrebbe apportare benefici sia in termini di tempi che di costi.
Su questo fronte sono numerosi gli esempi di ricerche che tentano di partire dall’individuazioni di classi generalizzabili degli elementi architettonici degli edifici, per poi poterli riconoscere e modellare automaticamente nei software di modellazione 3D. Gli approcci sono differenti, dall’utilizzo di algoritmi di apprendimento automatico (come il Random Forest) (Figura 15, sinistra) a quelli di apprendimento profondo con reti neurali a grafo (Figura 15, destra); tuttavia tutti mirano alla ricostruzione automatica delle geometrie (Figure 16 e 17).
Figura 15. A sinistra esempio di segmentazione semantica di un tempio ottenuta tramite Random Forest (E. Grilli et al., 2020); a destra esempio di una chiesa (sezione verticale) ottenuta tramite rete neurale a grafo (Matrone et al., 2021): in alto il riferimento e in basso la predizione.
Figura 16. Dal riconoscimento automatico di alcune classi architettoniche a), alla modellazione parametrica in ambiente BIM b e c). (Croce et al., 2021).
Infine, nel settore dell’IA si sta affacciando sempre più l’applicazione delle NeRF (Neural Radiance Field) anche ai dati di beni culturali. Le NerF sono reti neurali artificiali, ideate da UC Berkeley, Google Research e dall’Università di San Diego, in grado di generare nuove visualizzazioni di scene 3D complesse, basate su un insieme parziale di immagini 2D. Questi modelli potrebbero avere numerose implicazioni sia per la ricostruzione 3D di scene o beni non più esistenti, anche solo a partire da poche immagini storiche, sia per il completamento di modelli 3D già esistenti con lacune o mancanze di dati.
In conclusione, in Figura 17 è possibile vedere uno schema riassuntivo dei principali campi di applicazione e task appena descritti dell’intelligenza artificiale nel campo del patrimonio culturale 4.0.
Figura 17. Principali campi di applicazione delle tecniche di intelligenza artificiale nel campo del patrimonio 4.0, con un particolare focus sul patrimonio architettonico (Matrone, 2021).
Sfide e opportunità
Con uno sguardo più ampio, ad oggi molte delle ricerche e tecniche sopra descritte sono ancora in fase di sviluppo e implementazione, pertanto non sono ancora disponibili per i professionisti e le pubbliche amministrazioni. Ciononostante, i continui e impressionanti sviluppi tecnologici permettono di intravedere un percorso che porterà l’intelligenza artificiale a supportare sempre più la salvaguardia e la comprensione del nostro patrimonio.
Purtroppo, il processo di digitalizzazione intrapreso dai piccoli musei, enti gestori e pubbliche amministrazioni richiede notevoli risorse sia in termini finanziari che di personale. Sebbene il nostro patrimonio non sia ancora stato digitalizzato in modo massiccio e l’applicazione dell’IA sia ben lontana dallo stato della arte, molte istituzioni culturali hanno aumentato la propria attività digitale come parte di una tendenza generale ad adottare e integrare ulteriormente tali tecnologie.
Per quanto riguarda la gestione dei beni e del patrimonio culturale da parte dei musei, lo studio sull’intelligenza artificiale della Commissione Europea del 2022 elenca le seguenti opportunità offerte dall’intelligenza artificiale:
- applicazioni di archiviazione, catalogazione e gestione delle informazioni potenziate dall’intelligenza artificiale, che aiuteranno musei, archivi, biblioteche e istituti di tutela del patrimonio culturale a ricercare e classificare le collezioni digitali in modo più efficace;
- attività di coinvolgimento del pubblico assistite dall’intelligenza artificiale, che aiuteranno a comunicare e coinvolgere meglio i fruitori, rendendo i beni più interattivi e coinvolgenti;
- gestione dell’esperienza dei visitatori, che aiuterà a gestire meglio musei e luoghi del patrimonio culturale utilizzando applicazioni di intelligenza artificiale; ciò aiuterà a tenere traccia del numero di visitatori, a prevedere la presenza e ad analizzare il feedback dei visitatori (analisi del sentimento sopra descritta).
Parallelamente a questo rapporto, meno focalizzato sul patrimonio architettonico, le normative italiane e internazionali sull’adozione del BIM, si veda il Decreto Ministeriale numero 560 del 01/12/2017, forzano la progressiva introduzione dei metodi e degli strumenti elettronici di modellazione per l’edilizia e le infrastrutture. In questo contesto, la ricerca, lo sviluppo e l’utilizzo di tecniche di intelligenza artificiale può sicuramente avere un impatto positivo sia per i professionisti del settore che per le pubbliche amministrazioni.
La necessità di norme e standard condivisi
I recenti sviluppi dell’intelligenza artificiale e la sua accettazione da parte delle istituzioni creano un ambiente positivo per la sua diffusione. In primo luogo, la pandemia di coronavirus ha mostrato la necessità di digitalizzare musei e siti del patrimonio, poi le continue guerre e distruzioni massicce del patrimonio culturale hanno evidenziato l’urgenza di crearne archivi digitali. L’intelligenza artificiale può quindi aiutare sia nell’esecuzione di queste attività che nella gestione dei processi, e quindi nell’utilizzo di tali dati a beneficio del pubblico.
D’altra parte, però, numerose organizzazioni museali europee, così come le pubbliche amministrazioni, hanno sottolineato la necessità di standard, linee guida e metodologie paneuropee e internazionali per dati e metadati di alta qualità che tengano conto di tutti gli aspetti dell’intelligenza artificiale, dei diritti di proprietà intellettuale (DPI) e delle questioni etiche, come la trasparenza e la responsabilità degli algoritmi, nonché la proprietà, la raccolta, la conservazione, l’utilizzo e la diffusione dei dati. Si sottolinea, inoltre, l’importanza di digitalizzare il patrimonio culturale sviluppando allo stesso tempo tecnologie che riducano la CO2 emessa nella digitalizzazione e nel consumo di contenuti digitalizzati.
La task force EuropeanaTech ha quindi elencato nel suo rapporto i compiti che attendono l’implementazione dell’IA. Questi includono:
- l’integrazione di nuovi sistemi di intelligenza artificiale sviluppati nei sistemi esistenti;
- la condivisione pubblica e la generalizzazione di modelli e algoritmi basati e addestrati sui beni culturali;
- l’implementazione dell’IA tenendo conto degli aspetti etici, giuridici e sociali;
- la riduzione dell’impronta di carbonio dell’IA stessa.
Inoltre, le raccomandazioni dell’UE sui dati sul patrimonio culturale obbligano gli Stati membri a riferire ogni 2 anni sui progressi compiuti nella digitalizzazione 3D dei loro monumenti e siti, nella formazione e nello sviluppo di competenze. Tuttavia, il processo è complesso e richiede passaggi preliminari come la risoluzione di problemi di copyright, particolarmente presenti per la pubblicazione di modelli 3D e nuvole di punti.
Conclusioni
L’ICOM (il Consiglio Internazionale dei Musei) osserva: ‘Nella nostra nuova cultura digitale, gli utenti diventano sempre più produttori dei propri contenuti e tecnologie come l’intelligenza artificiale rendono le esperienze personalizzate la normalità. Ciò cambia il modo in cui le persone interagiscono con i musei. Il pubblico non si accontenta più dei contenuti imposti dall’alto e richiede un livello più elevato di inclusione, partecipazione e interattività. Questo importante cambiamento, che è già iniziato, avrà un enorme impatto sul modo in cui i musei e le istituzioni culturali funzioneranno e interagiranno con i visitatori”.
Tale affermazione può essere estesa a tutte le tipologie di patrimonio, da quello artistico, a quello archeologico e architettonico, incentivando così il continuo studio e sviluppo di tali tecnologie, con un approccio etico e ambientalmente sostenibile.
Contributo condotto nell’ambito di FAIR – Future Artificial Intelligence Research finanziato dall’Unione Europea – Next-GenerationEU (PIANO NAZIONALE DI RIPRESA E RESILIENZA (PNRR) – MISSIONE 4 COMPONENTE 2, INVESTIMENTO 1.3 – D.D. 1555 11/10/2022, PE00000013). I punti di vista e le opinioni espresse sono tuttavia solo quelli degli autori e non riflettono necessariamente quelli dell’Unione europea o della Commissione europea. Né l’Unione Europea né la Commissione Europea possono essere ritenute responsabili per essi.
Bibliografia
Agrafiotis, P., Talaveros, G., and Georgopoulos, A., 2023. Orthoimage-to-2D architectural drawing with conditional adversarial networks, ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., X-M-1-2023, 11–18, https://doi.org/10.5194/isprs-annals-X-M-1-2023-11-2023.
Aluffi, 2017. Algoritmi da maestro: un software riconosce i quadri falsi – la Repubblica
Belhi, A., Bouras, A., Al-Ali, A.K., Foufou, S., 2020. A machine learning framework for enhancing digital experiences in cultural heritage. J. Enterp. Inf. Manag. https://doi.org/10.1108/JEIM-02-2020-0059
Coletta, G., Miraglia, G., Ceravolo, R., Surace, C., 2020. Ensemble Technique for Machine Learning with Application to Monitoring of Heritage Structures, Lecture Notes in Mechanical Engineering. Springer Singapore. https://doi.org/10.1007/978-981-13-8331-1_23
Condorelli, F., Rinaudo, F., Salvadore, F., Tagliaventi, S., 2020. A neural networks approach to detecting lost heritage in historical video. ISPRS Int. J. Geo-Information 9. https://doi.org/10.3390/ijgi9050297
Croce, V., Bevilacqua, M. G., Caroti, G., and Piemonte, A. 2021. Connecting geometry and semantics via artificial intelligence: from 3D classification of heritage data to H-BIM representations, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B2-2021, 145–152, https://doi.org/10.5194/isprs-archives-XLIII-B2-2021-145-2021.
Epstein, Z., Levine, S., Rand, D.G., Rahwan, I., 2020. Who Gets Credit for AI-Generated Art? iScience 23, 101515. https://doi.org/10.1016/j.isci.2020.101515
Elgammal, A., Kang, Y., Leeuw, M. Den, 2017. Picasso, Matisse, or a fake? Automated analysis of drawings at the stroke level for attribution and authentication 1–24.
Gonizzi Barsanti, S., Guidi, G., De Luca, L., 2017. SEGMENTATION of 3D MODELS for CULTURAL HERITAGE STRUCTURAL ANALYSIS – SOME CRITICAL ISSUES. ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci. 4, 115–122. https://doi.org/10.5194/isprs-annals-IV-2-W2-115-2017
Grilli, E., Farella, E.M., Torresani, A. and Remondino, F., 2019. Geometric features analysis for the classification of cultural heritage point clouds. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, pp.541-548.
Kulkarni, U., M, M.S., Joshua, P., Rodrigues, K., Gurlahosur, S. V, 2020. Integrated Crowdsourcing Framework Using Deep Learning for Digitalization of Indian Heritage Infrastructure 200–208. https://doi.org/10.1109/bigmm50055.2020.00036
Kumar, P., Ofli, F., Imran, M., Castillo, C., 2020. Detection of disaster-affected cultural heritage sites from social media images using deep learning techniques. J. Comput. Cult. Herit. 13. https://doi.org/10.1145/3383314
Llamas, J., Lerones, M., Zalama, E., Gómez-García-Bermejo, J., 2016. Applying Deep Learning Techniques to Cultural Heritage Images Within the INCEPTION Project. Euro-Mediterranean Conf. Springer 25–32.
Lingua, A., Matrone, F., 2023. GEO-AI: cos’è e come ci aiuta a comprendere i fenomeni naturali – Agenda Digitale
Matrone, F., Grilli, E., Martini, M., Paolanti, M., Pierdicca, R. and Remondino, F., 2020. Comparing machine and deep learning methods for large 3D heritage semantic segmentation. ISPRS International Journal of Geo-Information, 9(9), p.535.
Matrone, F. 2021. Deep Semantic Segmentation of Built Heritage Point Clouds. relatore: LINGUA, Andrea Maria; ZERBINATTI, MARCO; Ph.D. dissertation thesis, XXXIII Ciclo.
Palma, V., 2019. Towards deep learning for architecture: a monument recognition mobile App, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2/W9, 551–556, https://doi.org/10.5194/isprs-archives-XLII-2-W9-551-2019, 2019.
Paolanti, M., Pierdicca, R., Martini, M., Felicetti, A., Malinverni, E.S., Frontoni, E., Zingaretti, P., 2019. Deep Convolutional Neural networks for sentiment analysis of Cultural Heritage, in: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Avila, pp. 871–878.
Roberts, M., 2020. The Application of Machine Learning to At-Risk Cultural Heritage Image Data. Durham University.
Saleh, B., Elgammal, A., 2015. Large-scale Classification of Fine-Art Paintings: Learning The Right Metric on The Right Feature. [1505.00855] Large-scale Classification of Fine-Art Paintings: Learning The Right Metric on The Right Feature (arxiv.org)
Shaping Europe’s Digital Future, 2021. Commission proposes a common European data space for cultural heritage | Shaping Europe’s digital future (europa.eu)
Sharafi, S., Fouladvand, S., Simpson, I., Alvarez, J.A.B., 2016. Application of pattern recognition in detection of buried archaeological sites based on analysing environmental variables, Khorramabad Plain, West Iran. J. Archaeol. Sci. Reports 8, 206–215. https://doi.org/10.1016/j.jasrep.2016.06.024
Stathopoulou, E.K., Remondino, F., 2019. Semantic photogrammetry – boosting image-based 3D reconstruction with semantic labeling. ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci. 42, 685–690. https://doi.org/10.5194/isprs-archives-XLII-2-W9-685-2019
Teixeira, G., Fcitosa, R., Paciornik, S., 2002. Pattern recognition applied in fine art authentication. 6th World Multiconference, pp. 36–40.
Wojtkowska, M., Kedzierski, M., Delis, P., 2021. Validation of terrestrial laser scanning and artificial intelligence for measuring deformations of cultural heritage structures. Meas. J. Int. Meas. Confed. 167, 108291. https://doi.org/10.1016/j.measurement.2020.108291
