Al via ArCH - Architectural Cultural Heritage:l'intelligenza artificiale per i beni culturali

Lo sviluppo di tecniche di intelligenza artificiale nel campo dei beni culturali è un tema emergente e mostra una crescita di interesse sempre maggiore da parte della comunità scientifica e dei cittadini.

Tuttavia, la mancanza di dati per la segmentazione semantica di scenari 3D del patrimonio culturale, ovvero l’associazione di ogni singolo punto di una nuvola a una specifica componente degli edifici, ostacola lo sviluppo di soluzioni di classificazione automatica in questo campo, che consentirebbero di ottenere diversi risultati, dalla comprensione dell’oggetto, alla sua ricostruzione tridimensionale, alla manutenzione programmata, per fare alcuni esempi.

Il set di dati denominato ArCH - Architectural Cultural Heritage, è composto da circa 102 milioni di punti annotati, suddivisi in 17 scene derivate dall'unione di scansioni laser o dall'integrazione di quest'ultime con rilievi fotogrammetrici. Molte di queste scene fanno parte o sono candidate alla UNESCO World Heritage List, come ad esempio la cappella della Cattedrale e la Chiesa di St. Pierre a Strasburgo, la corte del Castello del Valentino, il Sacro Monte di Varallo e Ghiffa, i portici di Bologna.

Questo benchmark nasce dalla collaborazione di diverse Università e Istituti di ricerca: i promotori per il Politecnico sono Andrea Lingua, Marco Piras e Francesca Matrone (DIATI, Geomatics Lab e VR@polito) e Filiberto Chiabrando (DAD, Lab Geomatics for Cultural Heritage) in collaborazione con Università Politecnica delle Marche, FBK Trento - Italia - e INSA Strasburgo - Francia ed è un dataset unico e innovativo in quanto offre, per la prima volta, nuvole di punti annotate che descrivono scene del patrimonio esistente. Queste nuvole di punti, suddivise in 10 classi, hanno lo scopo di facilitare lo sviluppo, l'addestramento, i test e la valutazione degli algoritmi di apprendimento automatico (machine learning), nonché il suo sottoinsieme di metodi di apprendimento profondo (deep learning) nel campo dei beni culturali.

Le nuvole di punti di beni culturali presentano strutture complesse e classi non comuni, che impediscono la semplice implementazione dei metodi già disponibili e sviluppati in altri campi o per altri tipi di dati. La classificazione semantica dei dati 3D del patrimonio aiuterebbe la comunità scientifica a comprendere e analizzare meglio i digital twins, vale a dire le riproduzioni digitali di oggetti e componenti reali che consentono di fare delle simulazioni e facilitare quindi, in un prossimo futuro, interventi e programmi di restauro, conservazione e salvaguardia, verificandone prima l’efficacia.

Per un uso più proficuo di questo benchmark, oltre al download gratuito di tutti i dati, vengono messi a disposizione i risultati pubblici degli approcci inviati, fornendo classifiche su quelli più performanti, così come nuvole di punti non annotate, con l’auspicio che la comunità scientifica contribuisca con continuità a questa attività.