• pytorch
• neural network
• artificial intelligence
• avifauna
• EN: archaeozoology
• rete neurale
• pytorch
• intelligenza artificiale
• avifauna
• IT: archeozoologia

IT:
Negli ultimi dieci anni, l'Intelligenza Artificiale (IA) è stata sempre più esplorata in ambito archeologico (Gualandi, Gattiglia & Anichini, 2021). L'applicazione di tecniche che sono parte dell'IA, ad esempio le reti neurali, rappresenta un valido aiuto in attività ripetitive o che richiedono un elevato impiego di tempo, come la catalogazione dei reperti; l'identificazione di tracce d'uso su materiale osteologico, litico o ceramico; la valutazione di marker sul terreno per il riconoscimento di nuovi siti archeologici.
Nel presente elaborato, viene implementata una rete neurale convoluzionale da applicare in ambito archeozoologico per la catalogazione di reperti osteologici di avifauna. Gli studi zoomorfologici, infatti, rivestono un'importanza sempre maggiore (De Grossi Mazzorin, 2014), soprattutto per quanto riguarda la comprensione dei cambiamenti ambientali e il modo con cui gli esseri umani e gli animali si relazionano tra loro. Per questi motivi, l'esame e la strutturazione di collezioni di riferimento è fondamentale per il corretto riconoscimento dei resti faunistici archeologici. La rete neurale è stata sviluppata a partire da un dataset di 1833 fotografie di cinque tipi diversi di ossa (carpometacarpo, omero, coracoide, tibiotarso, tarsometatarso) appartenenti a 25 specie differenti di anatre, provenienti dalle collezioni di riferimento del Museo Zoologico di Copenhagen (Danimarca) e del Museo di Storia Naturale di Tring (Inghilterra).
I resti osteologici analizzati compongono le parti del corpo tra quelle che sono più soggette a mutamenti ecomorfologici e morfologici tra classi, ovvero le ali (carpometacarpo, omero, coracoide) e gli arti inferiori (tibiotarso, tarsometatarso). Da un punto di vista archeologico, lo studio dei reperti degli anatidi, può apportare informazioni importanti riguardo la ricostruzione dell'ambiente circostante e della stagionalità al momento della deposizione: la maggior parte degli anatidi preferisce ambienti umidi e migra due volte l'anno. Dalla loro presenza è anche possibile dedurre modelli di caccia specializzati.

EN:
In the last ten years, Artificial Intelligence (AI) has been increasingly explored in the archaeological field (Gualandi, Gattiglia & Anichini, 2021). The application of AI techniques, for example, neural networks, represents a valid aid in repetitive or time-consuming activities, such as cataloging finds; identification of traces of use on osteological, lithic, or ceramic material; evaluation of markers on the ground for the recognition of new archaeological sites.
In the present work, a convolutional neural network is implemented to be applied in the archaeozoological field for the cataloging of osteological specimens of avifauna. Zoomorphological studies are of increasing importance (De Grossi Mazzorin, 2014), especially as regards the understanding of environmental changes and how humans and animals relate to each other. For these reasons, the examination and structuring of reference collections are essential for the correct recognition of archaeological faunal remains. The neural network was developed starting from a dataset of 1833 photographs of five different types of bones (carpometacarpus, humerus, coracoid, tibiotarsus, tarsometatarsus) belonging to 25 different species of ducks, coming from the reference collections of the Zoological Museum of Copenhagen ( Denmark) and the Tring Natural History Museum (England).
The analyzed osteological remains make up the parts of the body among those most subject to ecomorphological and morphological changes between classes, i.e. the wings (carpometacarpus, humerus, coracoid) and the lower limbs (tibiotarsus, tarsometatarsus). From an archaeological point of view, the study of Anatids remains can provide important information regarding the reconstruction of the surrounding environment and the seasonality at the time of deposition: most of the anatids prefer humid environments and migrate twice a year. From their presence, it is also possible to infer specialized hunting patterns.