Oltre la percezione umana: Architetture ad autoencoder per la classificazione e il denoising di pseudospettri nel database FRED

Il presente lavoro analizza l'integrità e le potenzialità applicative dei dati spettroscopici contenuti nel Floral Reflectance Database (FRED). Partendo dall'esigenza di superare la percezione cromatica soggettiva umana, la ricerca esplora la coevoluzione tra le firme spettrali dei petali e i sistemi visivi degli impollinatori, con particolare riferimento al modello dell'esagono dei colori di Chittka. Viene proposta un'architettura computazionale basata sull'impiego di autoencoder e sulla generazione di pseudospettri ideali per il filtraggio del rumore e la classificazione automatica dei materiali biologici. Attraverso la normalizzazione sigmoidea dei segnali e il clustering nello spazio latente, il modello si dimostra capace di discriminare tra diverse strategie evolutive (es. Sedum rosea vs Papaver somniferum), aprendo nuove prospettive per l'identificazione di biomarcatori spettrali, come l'acqua di cristallizzazione, in campioni botanici complessi.