Nella fotografia digitale e della proliferazione di archivi sconfinati, la capacità di attribuire una data certa a un’immagine è diventata una sfida sempre più complessa. Per decenni, l’occhio umano, o persino un sistema forense elementare, poteva stimare con ragionevole accuratezza l’anno di uno scatto basandosi su un’analisi di indizi visivi esterni. L’evoluzione frenetica della moda, delle acconciature e, non da ultimo, delle caratteristiche tecniche delle pellicole – dalla grana alla risoluzione del colore – forniva ancore temporali ben definite. Tuttavia, negli ultimi trent’anni, un notevole rallentamento nella “rotazione” dello stile visivo e la scomparsa di molti vincoli tecnici con l’avvento del digitale hanno reso questi elementi molto meno indicativi. Se non sono presenti oggetti chiaramente databili come uno smartphone di ultima generazione, distinguere uno scatto del 2005 da uno del 2015 può risultare estremamente arduo.
In questo contesto di ambiguità visiva, la visione artificiale si è posta l’obiettivo di trovare un nuovo “gancio” temporale per risolvere il problema dell’annotazione e dell’archiviazione, un’esigenza cruciale per le collezioni storiche e digitali che spesso mancano di metadati corretti o completi.
Un nuovo e affascinante studio, frutto di una ricerca condotta da specialisti della Czech Technical University di Praga, sta delineando un percorso promettente che bypassa gli indizi ambientali per concentrarsi sull’elemento più stabile e, al contempo, in costante mutamento di una foto: il volto umano. La metodologia, denominata aggregazione dell’età facciale, sfrutta le capacità dell’Intelligenza Artificiale nel riconoscimento dei volti e nella stima dell’età per risalire all’anno esatto dello scatto.
Il meccanismo alla base di questo approccio è ingegnosamente semplice. Il sistema opera in più fasi: per prima cosa, una volta rilevati i volti presenti in un’immagine, tenta di identificarli confrontandoli con un vasto database centrale di persone note. Questo archivio, simile a un database cinematografico come IMDb ma focalizzato sui professionisti cechi e slovacchi (nello studio è stato utilizzato un set di dati derivato dal database CSFD), deve contenere le date di nascita verificate di ogni individuo. Successivamente, un modello di stima dell’età facciale pre-addestrato valuta l’età apparente di ogni persona al momento della foto.
Il passo cruciale è l’incrocio di questi dati: sottraendo l’età stimata del volto dalla data di nascita conosciuta dell’individuo, il sistema genera una distribuzione di probabilità sull’anno in cui la foto potrebbe essere stata scattata. Se in una foto è presente una sola persona, questa probabilità offre già un indizio significativo; ma la vera potenza del metodo emerge quando l’algoritmo rileva e identifica più volti. In questi casi, i singoli intervalli di probabilità di datazione vengono aggregati e combinati in modo formale all’interno di un quadro probabilistico, consentendo al modello di isolare l’anno più probabile che giustifichi simultaneamente le età percepite di tutti gli individui noti nella scena.
Questa tecnica si è dimostrata non solo solida, ma anche notevolmente più accurata rispetto ai modelli alternativi esistenti. I modelli tradizionali, definiti “basati sulla scena,” si concentrano su elementi o pattern visivi olografici (lo sfondo, l’illuminazione generale, la composizione) per dedurre l’epoca. Sebbene questi modelli siano potenti, i ricercatori hanno dimostrato che il loro approccio di aggregazione facciale supera costantemente le prestazioni dei modelli basati sulla scena, in particolare in tutte le immagini in cui sono identificabili due o più individui noti. L’informazione legata all’identità e all’età si rivela quindi un segnale molto più robusto e meno ambiguo rispetto all’interpretazione olistica del contesto visivo. Il successo del modello è ulteriormente amplificato dall’uso di prior temporali, come i periodi di picco della carriera di un attore o le tendenze note di un decennio, che affinano ulteriormente le previsioni.