| KEYWORD |
Geomatics Lab
Intelligenza artificiale neuro-simbolica per il patrimonio costruito
Parole chiave INTELLIGENZA ARTIFICIALE, NUVOLE DI PUNTI, PATRIMONIO ARCHITETTONICO, SEGMENTAZIONE SEMANTICA
Riferimenti FRANCESCA MATRONE, LIA MORRA
Riferimenti esterni Manigrasso Francesco
Gruppi di ricerca DIATI, geomatica, Geomatics Lab, SmartData@PoliTO, http://grains.polito.it/
Tipo tesi RICERCA APPLICATA
Descrizione La mancanza di dati di benchmark per la segmentazione semantica degli scenari del patrimonio digitale ostacola lo sviluppo di soluzioni di classificazione automatica in questo campo. I dati 3D del patrimonio architettonico presentano strutture complesse e classi non comuni che impediscono la semplice distribuzione di metodi disponibili sviluppati in altri campi e per altri tipi di dati. La classificazione semantica dei dati 3D del patrimonio aiuterebbe la comunitā a comprendere e analizzare meglio i gemelli digitali e faciliterebbe i lavori di restauro e conservazione. Il dataset ArCH nasce dalla collaborazione di diverse universitā e istituti di ricerca e comprende nuvole di punti annotate e non annotate di siti del patrimonio culturale. Tuttavia, la scarsitā di dati, la varietā e l'unicitā delle architetture e la categorizzazione a grana fine necessaria per la segmentazione rendono questo compito particolarmente difficile per i modelli di apprendimento profondo. L'obiettivo di questo progetto č arricchire reti neurali profonde all'avanguardia per la segmentazione di nuvole di punti utilizzando tecniche neurosimboliche, come le reti Logic Tensork, per iniettare conoscenze pregresse nella rete.
Vedi anche https://archdataset.polito.it/
Conoscenze richieste Competenze di programmazione (Python, Pytorch o altri framework di deep learning); buone capacitā analitiche e matematiche. Non č richiesta una conoscenza pregressa di tecniche neurosimboliche: verrā fornito materiale essenziale per studiare l'argomento.
Note Grilli, Eleonora, et al. "Knowledge enhanced neural networks for point cloud semantic segmentation." Remote Sensing 15.10 (2023): 2590. https://www.mdpi.com/2072-4292/15/10/2590
https://archdataset.polito.it/
Scadenza validita proposta 01/10/2025
PROPONI LA TUA CANDIDATURA