Reti Neurali e Regolarità Geometriche

La cognizione umana è fortemente influenzata dalla percezione delle regolarità geometriche, un'abilità che permette agli esseri umani di riconoscere ed interpretare simmetrie e parallelismi nelle forme. Questa capacità distintiva è essenziale per il modo in cui gli esseri umani vedono e interagiscono con il mondo. Nel lavoro di Dehaene et al. "Sensitivity to geometric shape regularity in humans and baboons: A putative signature of human singularity", viene evidenziato come gli esseri umani mostrino una sensibilità unica verso le regolarità, una caratteristica che distingue nettamente la cognizione visiva umana da quella di altre specie, come i babbuini, e che non è replicabile dalle reti neurali convoluzionali (CNN). Le CNN, strumenti di intelligenza artificiale, sono progettate per emulare il riconoscimento visivo umano, ma spesso mancano di catturare le complesse regolarità geometriche percepite dagli esseri umani. L'obiettivo di questo studio è stato quello di proporre un'alternativa che non si basi esclusivamente su un approccio simbolico, come suggerito da Dehaene, per replicare il comportamento umano nella percezione delle regolarità geometriche. In particolare, si è esplorato se un approccio basato su reti neurali potesse emulare la capacità umana di percepire tali regolarità senza ricorrere esclusivamente all'elaborazione simbolica. La metodologia utilizzata prevede l'impiego di una rete di object detection per catturare le primitive geometriche, che si ritiene siano utilizzate dall'uomo per riconoscere le regolarità. La rete rileva angoli e lati all'interno dei quadrilateri e, attraverso tecniche di elaborazione dati, vengono identificate le regolarità geometriche presenti. Successivamente, sono state studiate e testate per determinare quali siano cruciali per il riconoscimento delle figure. I risultati mostrano che, attraverso un'architettura e una metodologia alternative, è possibile avvicinarsi alla cognizione umana in questo compito. Questo studio propone quindi un'alternativa valida all'approccio strettamente simbolico, suggerendo che le CNN, supportate da tecniche di elaborazione dati appropriate, possono potenzialmente catturare alcune delle peculiarità della percezione visiva umana.