Ricerca Scientifica

Questo studio esplora la capacità delle Reti Neurali Convoluzionali (CNN), una particolare classe di algoritmi di Deep Learning specificamente progettata per compiti di visione artificiale, di classificare immagini di denti fossili di squalo isolati raccolti da dataset online e dall’esperienza degli autori su assemblaggi fossili del Miocene peruviano e del Pliocene italiano.

Le immagini dei denti di squalo incluse nel dataset finale e composito (che comprende più di mille immagini) rappresentano generi sia estinti che attuali, tra cui Carcharhinus, Carcharias, Carcharocles, Chlamydoselachus, Cosmopolitodus, Galeocerdo, Hemipristis, Notorynchus, Prionace e Squatina.

Abbiamo confrontato le prestazioni di classificazione di due CNN: SharkNet-X, una rete neurale progettata specificamente e sviluppata da zero, e VGG16, addestrata utilizzando il paradigma del transfer learning.

Per comprendere e spiegare il comportamento delle due CNN, fornendo al contempo una prospettiva paleontologica sui risultati, abbiamo innanzitutto elaborato una visualizzazione delle caratteristiche estratte dalle immagini utilizzando l'ultimo strato denso di ciascuna CNN, ottenuta applicando la tecnica di clustering t-SNE (t-distributed Stochastic Neighbor Embedding). Successivamente, abbiamo introdotto il metodo di spiegabilità SHAP (SHapley Additive exPlanations), un approccio teorico basato sulla teoria dei giochi per spiegare i risultati di qualsiasi modello di Machine Learning.

KEY WORDS - Deep Learning, Pattern recognition, Elasmobranchii, explainability, palaeoichthyology, taxonomic determination.

Citazione: 

Barucci A., Ciacci G., Liò P., Azevedo T., Di Cencio A., Merella M., Bianucci G., Bosio  G., Casati S. & Collareta A. (2024) - An explainable Convolutional Neural Network approach to fossil shark tooth identification. Bollettino della Società Paleontologica Italiana, 63. doi:10.4435/BSPI.2024.15