La restituzione di modelli 3D di reperti archeologici iscritti deve tener conto dei problemi legati alla corretta acquisizione ed alla riconoscibilità delle iscrizioni, al fine di garantire i requisiti necessari all'ispezione visiva ed all'analisi delle stesse. Il presente progetto di avvio alla ricerca, che va a collocarsi nell'ambito del più ampio progetto ERC INSCRIBE, definisce le attività che saranno svolte nel corso dei prossimi 12 mesi con l'obiettivo di definire procedure e soluzioni pratiche utili ad applicare correttamente tecniche come la fotogrammetria ed il laser scanning alla restituzione di modelli 3D di simili oggetti. Le prove saranno condotte sui casi di studio del sistema di scrittura indecifrato Cipro-Minoico (in uso nell'isola di Cipro nel II millennio a.C.) e del sistema di glifi (anch'esso indecifrato) Rongorongo (presente su reperti provenienti dall'isola di Pasqua).
Nell'ambito dello stesso progetto, saranno indagati i metodi di Machine Learning più idonei ad analizzare tali sistemi di scrittura, con il duplice obiettivo di classificare le iscrizioni presenti sui reperti (rispetto ad un alfabeto già definito) e di individuare le relazioni tra il Cipro-Minoico ed altri due sistemi di scrittura indecifrati dell'Egeo del II millennio a.C. (Geroglifico Cretese e Lineare A). A tal fine, sarà opportuno indagare anche la tipologia di informazione in input richiesta ai metodi di Machine Learning, che comporta una conseguente elaborazione del dato contenuto nei modelli 3D.
Un primo aspetto innovativo, dal punto di vista della geomatica è costituito dal fatto che, sebbene le tecniche fotogrammetrica e di laser scanning siano ben note, queste devono essere opportunamente declinate per un problema specifico, con l'obiettivo di fornire modelli 3D recanti segni leggibili ed analizzabili.
Le iscrizioni raffigurate dai modelli 3D devono costituire inoltre un input "oggettivo" per l'analisi automatica delle iscrizioni tramite reti neurali: infatti, esse sostituiscono i dati tradizionali basati su immagini in bianco e nero e parziali degli oggetti iscritti, oppure su trascrizioni arbitrarie dei segni. Si pone però il problema di scegliere il formato più idoneo per il dato di input delle reti neurali: in tal senso, scegliere un formato bidimensionale comporterebbe la necessità di individuare un sistema di proiezione rigoroso dell'oggetto tridimensionale, tale da rispettare la forma dei segni, e tale questione non sembra essere stata efficacemente risolta allo stato attuale.
Infine, metodi di Machine Learning quali tecniche di classificazione e reti convolutive sono stati impiegati per facilitare la lettura del sistema di scrittura cuneiforme, che tuttavia è costituito da segni di forma triangolare, più facilmente schematizzabili rispetto a quelli del Cipro-Minoico e del Rongorongo, e può contare su un corpus digitale molto più vasto. Pertanto, l'analisi di corpus più articolati (in termini di complessità dei segni) e più poveri in termini di dati a disposizione costituisce una questione aperta. A ciò va aggiunto che, per il caso del Cipro-Minoico, il Machine Learning sarebbe funzionale ad individuare relazioni fra questo sistema di scrittura ed altri due sistemi indecifrati dell'Egeo del II millennio a.C., il Geroglifico Cretese e la Lineare A (il cui studio rientra nel progetto INSCRIBE): tale approccio costituisce un elemento fortemente innovativo del progetto di ricerca proposto.