See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/345890254

Detecția și recunoașterea de obiecte & voce prin intermediul rețelelor

convoluționale adânci pe platforme Raspberry Pi 4

Article · November 2020

CITATIONS READS

0 808

1 author:

Bogdan-Alexandru Soare
Polytechnic University of Bucharest
5 PUBLICATIONS   0 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Bogdan-Alexandru Soare on 15 November 2020.

The user has requested enhancement of the downloaded file.

 Detecția și recunoașterea de obiecte & voce
prin intermediul rețelelor convoluționale
adânci pe platforme Raspberry Pi 4
Bogdan-Alexandru SOARE
Ingineria Informației și a Sistemelor de Calcul
Facultatea de Electronică, Telecomunicații și Tehnologia Informației
Universitatea Politehnica din București, România
soare990@gmail.com

Abstract: Lucrarea curentă are ca scop prezentarea pentru task-ul de detectare, metoda R-CNN îmbunătățește
noțiunilor teoretice cât și practice în ceea ce privește foarte mult precizia și depășește metoda tradițională de
dezvoltarea și utilizarea de rețele neuronale convoluționale detectare a obiectelor cu 29%.
adânci punând accent pe detecția în timp real a obiectelor,
clasificarea imaginilor, detecția facială și recunoașterea
vorbirii.
Metodele bazate pe rețele neuronale convoluționale
adânci au obținut rezultate foarte bune în clasificarea
imaginilor și detecția obiectelor așa cum se poate observa
în cadrul lucrării.
Principalul subiect al acestei lucrări îl constituie
implementarea tuturor acestor algoritmi în cadrul
sistemelor de tip embedded, IoT pe platforma de
dezvoltare RaspberryPi 4.

1. INTRODUCERE
Fig. 1 Diferența între Recunoașterea/ Detecția de obiecte

Identificarea și recunoașterea obiectelor este o zonă

din domeniul inteligenței artificiale care se concentrează
pe construcția de roboți capabili să recunoască diferite
clase de obiecte.
Pe măsură ce mașinile, care au la bază algoritmi de
inteligentă artificială, sunt integrate din ce în ce mai mult
în viața de zi cu zi a oamenilor, domeniul Machine
Learning aduce îmbunătățiri în ceea ce privește abilitățile
de detecție și recunoaștere a obiectelor.
Considerând faptul că termenii: detecție și
recunoaștere de obiecte sunt des confundați voi face o
scurtă clarificare a diferențelor dintre aceștia.
Recunoașterea de imagini are rolul de a atribui o etichetă
ce conține lucrurile/obiectele identificate în cadrul unei
imagini, în timp ce detecția de obiecte urmărește plasarea
unui cadru în jurul fiecărui obiect identificat, în același
timp atașând o eticheta cu reprezentarea clasei din care
acesta face parte.
Progresele recente în detectarea obiectelor sunt
determinate de succesul metodei R-CNN(Regions CNN).
Folosind un CNN preantrenat pe seturi mari de date pentru
task-ul de clasificare a imaginilor ulterior fiind reglat fin
1.1 Computer Vision
Reprezintă știința sistemelor informatice care
recunoaște și analizează diferite imagini și scene. O
componentă cheie a viziunii computerizate este detecția
obiectelor. Detectarea obiectelor este utilizată pentru a
efectua o serie de activități din cadrul inteligenței
artificiale precum recunoașterea facială, detecția
emoțiilor, detectarea de vehicule și conducerea automată a
autovehiculelor.
Detectarea obiectelor este o tehnică din cadrul
Computer Vision, care realizează identificarea și
localizarea obiectelor dintr-o imagine sau secvență de
imagini.
Detectarea obiectelor descrie un sistem care poate
identifica prezența și locația unuia sau a mai multor
obiecte sau corpuri dorite în cadrul unei imagini.
Rezultatul unui proces de detecție a obiectelor este o
imagine ce prezintă delimitări bine încadrate în jurul
obiectelor de interes și o indicație cu privire la instanța
clasei atribuită [1].
 1.2 Aplicații ale detecției de obiecte [2]: 2. DETECȚIA OBIECTELOR ÎN TIMP REAL
Vehicule autonome(Autonomous vehicles) - unul
dintre domeniile care folosesc într-o mare măsură În acest capitol vom parcurge modul de funcționare a
algoritmii de detecție a obiectelor îl reprezintă vehiculele detecției de obiecte folosind modelul deep neural network.
autonome. Acestea au în alcătuirea lor un sistem integrat Detecția de obiecte are rolul de a prezenta un număr
care poate efectua detectarea în timp real în cadrul mai arbitrar de chenare care să indice clasele de obiecte dintr-
multor clase de obiecte având capacitatea de a lua decizii o imagine. Fiecare chenar de delimitare asociază o clasă și
în funcție de rezultatul propriei clasificări. o valoare de încredere pentru obiectul identificat.
De exemplu, sistemul unui vehicul autonom poate detecta Modelele de detecție de obiecte bazate pe deep
o persoană ce traversează strada iar în urma detecției poate learning sunt de obicei alcătuite din două părți. Un
acționa în consecintă, prin execuția unei rutine de urgență codificator ia imaginea ca intrare, o rulează printr-o serie
pentru oprirea vehiculului. de blocuri și straturi capabile să extragă caracteristici
statistice utilizate pentru localizarea și etichetarea
Detecția feței(Face detection) – reprezintă sistemul obiectelor. Ieșirea codificatorului este transmisă unui
care poate localiza și recunoaște automat fețele umane în decodor care prezice poziția chenarelor și a etichetelor
cadrul imaginilor sau secvențelor continue de imagini. pentru noile obiecte identificate [4].
Algoritmii de detectare a feței sunt prezenți în aplicațiile Cel mai simplu decodificator este un sistem de
asociate recunoașterii faciale, fotografiei și capturilor regresie. Regresorul este conectat la ieșirea codificatorului
video. prezicând locația și dimensiunea fiecărui chenar de
delimitare. Ieșirea modelului este reprezentată de perechea
Estimarea poziției(Pose Estimation) - procesul de de coordonate X, Y pentru obiectul identificat.
deducere a locației principalelor articulații ale unui corp În continuare voi introduce noțiunea de Intersecion-
uman din cadrul imaginilor și secvențelor de imagini. of-Union (IoU) sau intersecție a reuniunii. Acest element
Diferite forme ale estimării poziției sunt prezente în are rolul de a evalua daca un chenar prezis de către sistem
aplicații precum recunoașterea acțiunilor, interacțiunilor se potrivește cu poziția reală a obiectului vizat. Pentru
umane, crearea de medii pentru realitatea virtuală și două chenare distincte A și B, IoU este definit ca fracția
jocurile video 3D. dintre intersecția și reuniunea ariei acestora [5]:

Recunoașterea de obiecte(Object recognition) – 𝐴 ∩ 𝐵

procesul de identificare a clasei la care este asociat un
obiect țintă. Recunoașterea și detectarea de obiecte sunt
tehnici cu rezultate finale și abordări de implementare
similare. Conceptual, notăm faptul că procesul de detecție
apare înaintea pașilor procesului de recunoaștere a
obiectului
Urmărirea activă(Active tracking) – prezintă metoda
de identificare, detectare și urmărire a unui obiect de
interes într-o secvență de imagini. Aplicațiile de urmărire
din cadrul sistemelor se găsesc în camerele de
supraveghere video și dispozitivele de monitorizare a
traficului.
Recunoașterea emoțiilor [3] – reprezintă capacitatea
unui sistem de a recunoaște emoțiile trăite de o persoană
prin analiza expresiei feței sau a vocii. Sistemele de
recunoaștere a emoțiilor, în general învață să determine
legătura dintre o emoție și manifestarea ei externă.
𝐼𝑜𝑈 =
𝐴 ∪ 𝐵
Dacă predicția este corect etichetată și valoarea IoU nu
este mai mică decât un prag setat anterior, această predicție
este considerată drept un exemplu pozitiv, altfel va fi
considerată drept exemplu negativ. Spre exemplu în Fig. 2
fiecare element detectat este considerat un exemplu pozitiv
cat timp valoarea de încredere este mai mare de 50%.
Pentru a putea evalua precizia unui algoritm de
detecție de obiecte, sunt adoptate următoarele metode de
verificare: recall, precision, average precision, mean
average precision. Aceste criterii sunt construite astfel
încât să penalizeze localizările greșite, duplicatele și
obiectele neidentificate.
În timpul testarii imaginii cu index-ul i și predicției j,
algoritmul de detecție de obiecte trebuie sa returneze un
chenar de predicție 𝑏ij împreună cu o etichetă reprezentând
clasa și o valoare de încredere 𝑐𝑖𝑗 . Considerând pragul
pentru valoarea de încredere ca fiind t, 𝑠𝑖𝑗 = 1 dacă
𝑐𝑖𝑗 ≥ 𝑡, altfel 𝑠𝑖𝑗 = 0. Daca predicția detecției j asupra
imaginii i se potrivește cu poziția obiectului în realitate, cu
o valoare de încredere mai mare decât pragul prestabilit t
atunci 𝑧𝑖𝑗 = 1, altfel 𝑧𝑖𝑗 = 0. În acest fel putem crește
precizia estimării poziției eliminând o bună parte din
estimările greșite.
 Prezentarea celor mai comune modele pentru 2.1 TensorFlow Lite
evaluarea preciziei algoritmilor de detecție [5]:

Recall – pentru o anumită clasă, acest element reprezintă
proporția corectă a predicțiilor asupra numărului total de
obiecte:
∑𝑖=1,…,𝑁1 ∑𝑗=1,…,𝑁𝑖𝑗 𝑍𝑖𝑗
𝑅𝑒𝑐𝑎𝑙𝑙(𝑡) =
𝑁 dispozitivele cu resurse hardware limitate. Principalele
,unde 𝑁𝑖 este numărul de imagini, 𝑁𝑖𝑗 este numărul total
de detecții realizate asupra imaginii i, și N este numarul
total de obiecte în S clase totale.
Precision – este definit ca fracția dintre numărul de
predicții corecte și numărul de predicții totale. O predicție
corect realizată este contorizată o singură dată, în timp ce
toate celelalte predicții duplicat vor fi considerate drept
detecții false.
∑𝑖=1,…,𝑁𝑖 ∑𝑗=1,…,𝑁𝑗 𝑍𝑖𝑗
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛(𝑡) =
∑𝑖=1,…,𝑁𝑖 ∑𝑗=1,…,𝑁𝑗𝑆𝑖𝑗
,unde 𝑆𝑖𝑗 = 1 atunci când algoritmul determină faptul că
detecția j din imaginea i este un obiect dintr-o clasă
specificată iar 𝑍𝑖𝑗 măsoară valoarea de adevăr a detecției.
Average Precision – pentru detecția mai multor obiecte,
valoarea preciziei scade odată cu creșterea pragului
modelului Recall. Are rolul de a măsura valoarea ecuației
medie a performanței(AP), ce reprezintă precizia medie la
diferite niveluri ale modelului Recall. Acest model este
definit ca integrala preciziei peste modelul Recall, unde r
reprezintă modelul Recall. Integrala este cazul ideal pentru
un set de date infinit de larg.
1
𝐴𝑃 = ∫0 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛(𝑟)𝑑𝑟,
Considerând că diferența dintre două niveluri apropiate ale
modelului Recall este 𝑑𝑟 , AP este aproximat ca fiind AP
în cazul mai multor niveluri Recall diferite:
∑ 0,1 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
𝑟𝑒𝑐𝑎𝑙𝑙= ,…,1
𝑑𝑟
𝐴𝑃 =
𝑑𝑟 + 1
4. Interpretarea datelor de ieșire
Mean Average Precision – această metodă este folosită - rezultatele apărute în urma procesului de inferență au fost
drept metodă finală de verificare. Considerând 𝑁0 clase de interpretate și mapate la etichetele corespunzătoare astfel
obiecte în imaginile evaluate, valoarea mAP este definită încât acestea să capete sens în descrierea obiectelor vizate.
ca fiind media AP din toate clasele existente:
Este instrumentul software prin intermediul căruia a
fost posibilă rularea modelului de rețea neuronală
convoluțională pe platforma embedded Rpi4. Acesta are
rolul de a realiza inferența cu o latență scazută pe
componente ale instrumentului TF Lite:
• Interpretorul - are rolul de a rula modele
neuronale optimizate, pe o multitudine de
platforme hardware incluzând platforme mobile,
microcontrollere si embedded.
• Convertorul – are rolul de a realiza conversia
modelelor TensorFlow clasice într-o formă mult
mai eficientă cu un grad ridicat de optimizare al
algoritmilor si o dimensiune redusă a fisierelor
ridicand astfel nivelul performanței.
2.2 Pași parcurși în realizarea
inferenței modelului TensorFlow Lite:
Termenul inferență se referă la procesul de execuție a unui
model TensorFlow Lite pe dispozitiv pentru a face
predicții pe baza datelor de intrare.
1. Încărcarea modelului
- este încărcat în memorie fișierul cu extensia .tflite ce
conține graficul de execuție al modelului
2. Transformarea datelor de intrare
- în general datele de intrare neprelucraet nu se potrivesc
cu formatul de intrare așteptat de model. De exemplu în
cazul nostru a fost necesar realizarea unui proces de resize
al cadrelor capturate pentru a realiza compatibilitatea
datelor.
3. Rularea inferenței
- acest pas impune folosirea API-ului pus la dispozitie de
TFL. Acesta a fost implicat în realizarea build-ului și
alocarea tensorilor

∑𝑛=1,2,…,𝑁0 𝐴𝑃
𝑚𝐴𝑃 =
𝑁0
Unde mAP poate calcula performanța algoritmului peste
toate nivelurile modului Recall și peste toate clasele.
 2.3 Pași parcurși în realizarea
detecției în timp real:
1. Alegrea unui model preantrenat.
- acest pas a fost realizat prin selectarea modelului
ssd_mbilenet_v1, acesta fiind antrenat în prealabil pe setul
de date COCO.
2. Conversia modelului
- la acst pas a fost utilizat convertorul TF Lite pentru a
putea obține el mai bun raport precizie/viteză de răspuns
în ceea ce priveșt detecția.
- ca și observație putem nota faptul că a fost obținută o
valoare medie de 4 fps pentru rularea modelului specificat.
- o performanță mai bună în privința ratei de transmisie se
poate obține folosind un model mai puțin complex dar în
acest caz va trebui să renunțăm la precizia detecției.
3. Deployment
- rularea inferenței prin intermediul interpretorului oferit
către TF Lite, împreună cu API-ul OpenCV.
2.4 Rezultate
În Fig.2 putem observa output-ul realizat în procesul
de detecție. Aici regăsim 3 chenare de delimitare a
obiectelor, fiecare dintre ele indicând clasa din care acesta
aparține împreună cu valoarea de încredere.
Fig. 2 Ilustrație a procesului de detecție de obiecte
În tabelul 1 observăm rezultatele detaliate capturate în
procesul de detecție. De adăugat faptul că procesul a fost
realizat cu un treshold al valorii de încredere setat la
valoarea 0.5, mai precis, sistemul va considera drept
detecții corecte doar detecțiile ale căror valoari de
încredere depășesc pragul setat.
Clasă Scor Locație
Cup 0.63 [61, 39, 117, 164]
Cup 0.53 [132, 86, 222,179]
Apple 0.62 [235, 116, 295, 177]
Table 1 Valori output generate în urma detecției
3. DETECȚIA FACIALĂ
Detecția facială este un element esențial din cadrul
viziunii computerizate, ce implică gestionarea fețelor
umane în cadrul imaginilor sau secvențelor de imagini.
În acest capitol voi descrie două metode de realizare a
detecției faciale folosind două soluții diferite:
MTCNN(Multi-task Cascade Convolutional Neural
Network) și Clasificatorul Cascade cu OpenCV.
Localizarea unei fețe într-o fotografie se referă la
găsirea coordonatelor feței din cadrul imaginii, în timp ce
încadrarea acestia face referire la crearea unui contur de
are rolul de a selecta zona din jurul feței.
O caracteristică importantă în detecția facială o
reprezintă diversitatea de factori care trebuie considerați în
momentul detecției: orientarea, culoarea părului,
machiajul, vârsta, etc.
3.1 Detecția facială cu OpenCV
Algoritmii de detectare a feței bazați pe
caracteristici, sunt rapizi și eficienți aceștia fiind utilizați
cu succes de zeci de ani. Una dintre tehnicile ce au
prezentat rezultate foarte bune este numită Classifier
Cascade [6].
O implementare modernă a Clasificatorului Cascade o
putem regăsi în biblioteca OpenCV. Aceasta este o
bibliotecă specifica Computer Vision, realizată în C++ ce
oferă o interfață în python. Unul dintre avantajele acestei
tehnologii îl reprezintă posibilitatea de accesare de modele
preantrenate de detecție facială oferind și posibilitatea de
antrenare a propriului set de date.
3.2 Detecția facială folosind DNN
Au fost dezvoltate numeroase metode în cadrul Deep
Neural Network care au adus un aport important în
creșterea preciziei privind algoritmii de detecție facială.
Una dintre abordările detecției ce a obținut rezultate
foarte bune este numită Multi-Task Cascaded
Convolutional Neural Network [7].
Acest algoritm este foarte cunoscut atât pentru
rezultatele bune obținute în cadrul benchmark-urilor
realizate împreună cu alți algoritmi cât și pentru
capacitatea acestuia de a identifica caracteristici noi
precum ochi, gură, etc [6].
Arhitectura folosește o structură cascadată cu trei rețele
neuronale. Mai întâi, imaginea este redimensionată la o
serie de diferite dimensiuni denumită și piramidă de
imagini. Mai apoi, primul model Proposal Network sau P-
Net propune regiunile faciale descoperite.
 Al doilea model, Refine Network sau R-Net filtrează 3.3 Rezultate
chenarele de încadrare pentru fețe, iar cel de-al treilea
model Output Network sau O-Net realizează o propunere
1) OpenCv
a reperelor faciale [8].
În Fig. 3 putem observa pașii realizați de către
algoritmul MTCNN pentru obținerea corectă a detecției
faciale împreună cu o parte din caracteristicile feței.
Modelul are denumirea de Multi-task deoarece fiecare
dintre cele trei modele din cascada(P-Net, R-Net, O-Net)

Fig. 4 Detecția fețelor realizată cu OpenCV

În Fig. 4 putem observa rezultatul aplicării detecției

asupra unei imagini cu mai multe persoane. Putem observa
faptul că o bună parte din fețe au fost detectate corect de
către algoritm dar rezultatul nu este chiar perfect.
Observăm că persoanele care prezintă o înclinare a feței nu
au putut fi detectate corect, în schimb putem nota faptul că
nu există detecții eronate prezente în imagine.

2) MTCNN
Fig.3 Pași în realizarea MTCNN

sunt instruite în 3 sarcini principale: clasificarea feței,

regresia chenarului de delimitare și localizarea poziției în
cadrul imaginii.
Cele 3 modele nu sunt conectate direct, în schimb
rezultatul fiecăreia dintre ele va fi considerat drept input
pentru etapa următoare. Această metodă permite
procesarea suplimentară între etape, de exemplu Non-
Maximum Suppression(NMS) care este utilizat pentru
filtrarea chenarelor propuse la primul pas(P-Net) înainte
de a le furniza în cea de-a doua etapă(R-Net).
Implementarea arhitecturii MTCNN, poate fi destul de
complexă, de aceea este recomandată utilizarea unui
model deja existent, ce poate fi antrenat pe propriul set de Fig. 5 Detecția fețelor realizată cu MTCNN
date sau utilizarea unui model preantrenat
În Fig. 5 putem observa faptul că toate persoanele din
imagine au fost identificate cu succes cu ajutorul
algoritmului MTCNN. Pe lângă încadrarea corectă a
tuturor figurilor identificate putem nota faptul că și
caracteristicile specifice acestora au fost identificate cu
succes.
În urma detecțiilor realizate putem nota diferența de
precizie existentă între cele două metode constatând o
îmbunătățire considerabilă a randamentului odată cu
utilizarea rețelelor convoluționale adânci.
 4. RECUNOAȘTEREA VORBIRII 5. COMPONENTE UTILIZATE

Algoritmii de tip Deep Learning sunt foarte Raspberry Pi 4 este cea mai nouă versiune din cadrul
cunoscuți pentru aplicabilitatea lor în recunoașterea seriei de mini-computere Raspberry Pi. Scopul acestuia este
imaginilor dar o altă utilizare cheie a tehnologiei o acela de a oferi un dispozitiv cu costuri reduse capabil de
reprezintă recunoașterea vorbirii. operații similare cu cele ale unui computer standard.
La nivelul cel mai de bază, recunoașterea vorbirii
transformă undele sonore în litere individuale ulterior
formând propoziții cu ajutorul acestora. Principala barieră
în transcrierea corectă a cuvintelor este variabilitatea
sunetului creat pentru aceleași cuvinte date mai precis,
accentul sau cadența. Dată fiind o propoziție în format
audio, recunoașterea vorbirii pornește de la transformarea
undelor sonore folosind transformata rapidă Fourier și
concatenând cadrele ferestrelor adiacente pentru a forma o
spectogramă. Scopul principal este acela de a reduce
dimensionalitatea datelor sonore univariate, într-un mod
care să permită predicția literelor componente [9].
Fig. 7 Prezentare componente hardware RPi4

Specificații tehnice Raspberry Pi 4:

Fig. 6 Spectograma semnalului audio
Modelarea dintre anumite cadre ale spectogramei și
anumite litere prezise este cel mai bine realizată folosind
rețele neuronale recurente. În trecut, mai multe modele
axate pe acustică, pronunție și limbă au fost implementate
dar cele mai bune rezultate au fost obținute în cadrul
rețelelor neuronale recurente. Acestea permit transcripții
mai precise, permițând o mai mare flexibilitate în
prezicerea cuvintelor cu sunete variate. Tot în acest scop
putem considera și Long Short Term Memory
Networks(LSTMs) care au avut rezultate satisfăcătoare.
Fiecare cadru al spectogramei este modelat ca un
caracter al alfabetului(A-Z, spațiu), unde fiecare caracter
conține un număr de valori de activare. Valorile de
activare, ulterior vor indica probabilitatea de apariție a
fiecărei litere în cadrul secvenței audio.
Ulterior, algoritmul de clasificare mapează secvența de
caractere la un cuvânt eliminând duplicatele sau spațiile
goale prezente.
De specificat faptul că acest capitol se dorește a fi
integrat în lucrare ca o perspectivă de dezvoltare ulterioară
din cadrul proiectului de Disertație.
- procesor: Broadcom BCM2711, cu arhitectură Cortex-A72 pe
64biți și un număr de 4 nuclee;
- memorie RAM: 1/2/4GB LPDDR4 SDRAM;
- conectivitate: WiFI 2,4-5GHz, Bluetooth 5.0BLE, Ethernet,
USB 2.0/3.0;
- 40 de porturi de uz general GPIO;
- 2 conectori micro HDMI cu suport de rezoluție 4K;
- conector MIPI Display Serial Interface;
- conector MIPI Camera Serial Interface;
- port audio stereo și video;
- slot de card microSD pentru rularea sistemului de operare și
pentru stocarea datelor;
- alimentare prin port USB Type C: 5V, 3A;
- temperatură de operare 0 – 50 ̊C;
Fig. 8 Prezentare Camera foto/video Omni Vision OV5647 [10]
Specificații tehnice cameră foto/video compatibilă Rpi4:
- Senzor color CMOS 5 megapixeli;
- Dimensiune pixel: 1.4 x 1.4 um;
- Lentilă: f = 3.6 mm, f/2.9;
- Video: 1080p la 30 fps cu codec H.264 (AVC)
- Compatibilitate: Raspberry Pi 4/ 3/ 2;
 CONCLUZII ȘI PERSPECTIVE
DE DEZVOLTARE

În concluzie, această lucrare și-a propus prezentarea

atât a noțiunilor teoretice cât și practice în ceea ce privește
utilizarea de rețele neuronale convoluționale adânci
subliniind funcționalitatea algoritmilor pentru detecția în
timp real a obiectelor, clasificarea de imagini, detecția
facială și recunoasterea vorbirii.
A fost prezentată o comparație a unui algoritm clasic de
detecție facială și unul bazat pe deep learning. Am notat
faptul că, deși cele două reușesc să atingă scopul propus,
doar în cadrul rețelelor neuronale obținem un rezultat
satisfăcător, cu o rată de succes vizibil mai mare asupra
imaginii date.
În ceea ce privește recunoașterea vorbirii, am notat
câteva aspecte teoretice importante din cadrul acestui
domeniu, având ca scop dezvoltarea sa practică ulterioară
în cadrul platformelor de dezvoltare mobile.

BIBLIOGRAFIE
[1] R. Asthana, „How is AI enabling "Object identification
and recognition"?,” 2019.
[2] R. Alake, „How Does AI Detect Objects?,” 2020.
[3] I. Kuksov, „Sense and sensibility: Do we want Ai to
master emotions?,” 2019.
[4] F. Ai, „Object Detection Guide”.
[5] H. Mao și e. Song Yao, „Towards Real-Time Object
Detection on Embedded Systems”.
[6] J. Browniee, „How to Perform Face Detection with
Deep Learning,” 2019.
[7] C. Szegedy, A. Toshev și D. Erhan, „Deep Neural
Networks for Object Detection”.
[8] X. Zhao, „Real-Time Multi-Scale Face Detector on
Embedded Devices,” 2019.
[9] O. D. Science, „Deep Learning for Speech
Recognition,” 2019.
[10] Cleste, „Camera Viedeo Raspberry Pi”.

View publication stats