PIX生态系统和Lampix

hututu

需求定义
PIX生态系统和Lampix
Ver 1.2
2017.09.11
Mihai Dumitrescu
PIX生态系统是使用分布式，去中心化，自动认证，自我训练，交易数据收集的可视化计算机算法集。 Lampix是这一生态环境中的参照平台。 这篇文档将揭示这些生态系统的要求和基本原理。


项目整体介绍、远景与概述

高性能的电脑显示使得大量的产品，尤其AR（增强现实）有广阔的施展空间。其中Lampix，作为软硬件一体的解决方案，能够把任何平面转化为可以人机交互的智能增强现实数字界面。Lampix作为现实与虚拟的桥梁，时刻准备着成为下一代零售，游戏和其他很多环境中用户体验的基石。

Lampix作为闭环中重要的一环, 它依赖于电脑可视化算法并能在现实世界中识别物品同时创造出虚拟增强现实的物品。这和其他增强现实系统很相像（眼镜，平板电脑，等等）, 他们都需要在增强物体之前去理解他们看到的是什么。这种理解需要大量的数据集作为范例，同理这种机器学习模型（例如深度神经网络）可被训练用于识别。

在研发Lampix的过程中我们发现了这种数据集的缺乏。 在自我平衡的供求市场中，我们缺乏这样一个数据集的市场环境。 所以我们最后自己开始搜集数据了（事实上我们做了这样一个软件，在Lampix运行的很不错）。

正因如此， 我们对于人机学习闭环中的重要缺失非常重视，所以我也开始着手构建PIX生态系统。基于去中心化、去权威化的想法我们创建了第一个基于区块链的增强现实“图片挖矿”网络和其他的电脑显示系统。

为了激发Lampix和其他增强现实设备的潜力，我们需要创建一个非常大的图片、以及信息、图片分析数据库。它会帮助我们在分级，检测及图片分析方面训练我们的算法。对于那些已经存在的数据库(例如手写数字数据库)，去创建、管理、发现、整合无尽的数据就显得没有意义了。

这个为什么那么重要呢？因为电脑视觉和机器学习完全依赖于数据的可用性，准确性与描述。 所以我们才创建了希望是最大的基于图片描述与图像分割的电脑视觉与机器学习的数据库。

如此巨大的数据库必须以自治的方式建立。 没有哪个权威可以决定什么数据是有用的，或者有权利去建立某些数据。此外，没有任何中心团体拥有任何修正数据和细节的权利。因为，分布式的投票与核实机制完全是必要的。不同环境的数据需求是不一样的。 而且，有的数据对不止一个环境有用。 数据依赖于本地的数据提供者和消费者。 我们的生态系统支持多场景，稍后解释，也会自动使用最有用的数据。这将是最有效的去中心化的方式。

为了能让数据库迅速被使用推广，我们正在建立一个高效的区块链和基于代币的市场。会对给数据库提供数据的人奖励，并且对使用数据的人收费。 在这个市场体系中用于转账的数字货币叫做“PIX”。

PIX代币使得计算机视觉算法训练数据商品化，在未来可能也会让让别的训练数据商品化。

Lampix设备是计算机视觉数据集的第一个市场化案例。Lampix会是将来提交或消费数据的最简单的方式。当然，其他的计算机视觉系统和机器学习系统通过公开的API，付费使用代币，赚取代币的数据库模式也能做到互动。


系统概览

下面的块状图揭示了我们正在建造的系统。一部分已经就绪了，其他的我们正在努力攻关中。

左边部分的图介绍了Lampix设备作为设备和模块在生态环境中的构成作用。 Lampix的硬件是一个可作为参考的范例， 软件方面我们做了一个图片分级与图像分割的算法，共同运行于硬件以外。

右侧显示了PIX生态系统的高级别内容。

下面的章节将会用细节阐述构成元素与他们的要求。同样，我们也会提供一些未来的有可能实现的创意。


PIX 生态系统

PIX生态系统存在于Lampix设备以外，并且包含服务端与客户端，我们将会在下章讲解。


网站界面

网站界面允许用户与系统进行互动。PIX生态系统上通讯并发生转账的是后台。网站界面会提供多种国际语言支持。


账户管理

用户可以创建并管理账户。PIX生态系统上的用户账户是匿名的。用公匙予以标记，和我们熟知的以太坊钱包的公匙一样。用户可以按照自己意愿创建无数个账户，生态系统不会追踪并去了解用户的账户。 在未来系统可能会提供PIX作为奖励那些在某个账户里存储大量数据的用户，对于某种场合来说这是很不错的，但是处于隐私的原因，用户也可以随时把账户里的数据转移到别的账户里。

当用户把账户里的数据上传到系统的时候， 这个账户就是永久的了，意思是说你没有办法在PIX生态环境中删除数据（图片），因为数据在以太坊区块链中已经是可以传输的了。 [2].

在网站用户管理界面下，用户还可以“”
● 在不同账户中转移PIX
● 查看已完成的交易历史
● 查看之前的数据


图片提交

图片提交时上传图片、描述、图像分割的过程。最初，PIX生态系统只能处理训练自身的数据；将来可能能够处理其他数据。 [3].

不同分辨率和不同质量的图片都是被接受的。系统会对数据进行估价。用户可以用上传一张图片来获得报价，然后通过数量来得出同样类型图片的总价。

当所有图片都被上传以后，最终价格就会被显示出来了。在提交到系统之前这是最后一次可以取消上传的机会。



图片上传包含以下要素，并在未来可能有更多要素 [4]:
● 图片
● 同样分辨率下的图片分割， 其中包含的0不属于图片主体，而1属于图片主体。
● 层级 (由PIX本体挑选)

图片主体是必须要被上传的。其他元素则是可选的，我们的重要工作之一就是支持我们的用户为目前图片数据添加层级和图片分割。

在我们我们也许会很多办法来为一张图片上传不同的图片分割和层级，系统也会为此开放。

在某些场景中，用户上传的有版权的图片是在生态环境中支持删除的，这要看用户的要求。

公开主题：
● 如何公开与激励数据提供者，从而使得生态系统中有更多的大量数据上传
● 我们是否应该分别上传层级/分割工作？从而使用户在不同步骤都能得到奖励，从而得到激励。
● 我们是否应该包含视频，单帧处理作为样本，在他们想近的情况下给予一个较低的PIX值呢？


投票/评级

这对于通过去中心化大量数据上传的PIX生态系统是很重要的一环，它保证了图片的有效性和质量。 投票和分级通过自动算法一起来保证数据的质量（稍后会解释）。我们的目标是从根本上使用自动投票与分级来处理尽可能多的高质量数据。

在PIX生态系统上有账户的用户可以通过投票箱看到上传的图片，同样也可以看到图片分割和质量，还可以看到分级的正确与否。

后台使用算法决定哪些用户得到哪些图片是我们我们研究的一部分，这些都是依赖于信息之上，如：
● 用户之前的响应
● 与其他用户交叉对比后的高质量的反馈
● 通过“既定标准”数据获得的用户的特殊领域的知识。

投票可以得出生态系统的两方面的统计数据
● 数据集的质量(多用户共同建议某一个数据集是好的)
● 用户的质量 (某一用户对于不同数据集产生的不同投票结果)，如果一个用户的投票质量很差的话， PIX生态系统会逐渐削减他在投票中得到的PIX。

PIX只有在投票结束后48小时才会被发放，这是出于安全的考虑。之后这个时间可能会缩短。

同样，连续放弃投票的投票者必须存入一定数量的PIX才可以进行下一次投票。 如果再次放弃投票，存入的PIX将会被扣留。这是为了防止DoS攻击投票系统。系统的响应曲线和常亮由此才能被解决。

PIX生态系统的移动端投票软件正在开发，由此可以打开更大的投票市场。


丰富数据

除了给已经分级、分割的图片进行投票和评级以外，还可以通过给其他用户上传的图片丰富数据来为PIX生态环境贡献力量。 举个例子，已经被上传的数据没有分割数据，另外一个用户添加了分割数据，丰富了这个数据使其更有价值并且在这个过程中也得到了PIX代币。
搜索和数据集请求
可以对现有数据集的列表进行搜索，让用户能在特定计算机视觉任务的训练数据中找到匹配的数据集。

搜索条件包括:
图像类来自于PIX本体(如果不存在某个类，则是本体扩展请求)
最低分辨率要求
图像类型(颜色，黑白，深度，其他光谱)
首选设备类型(Lampix、智能手机等)。
物体的视角(上面、侧面、等)。
所需的照明条件
排他性(各项授权)要求

还可以直接使用某些预定义的搜索标准的模板。作为一个例子，Lampix模板将包括用于训练Lampix设备的图像所需要的分辨率、透视图和光照条件。

通过标准化，可以合并数据集甚至是相同的本体的样本，这样重用就被最大化了。一个示例用例,这是一个情况下,一个数据集包含本体类的样本A,B和C,而另一个包含样本C,D,E. PIX生态系统的用户将能够搜索并获得联合数据集类A,C,E .这对子类也在预期的方式工作,这意味着,例如,如果用户正在搜索类a，并且数据库中包含了a的子类的示例。这些样本将被返回,并发出警告,指出数据集不可能涵盖所有的类A。

如果搜索没有结果或结果不完整(比如单个类的数据丢失)，用户可以很容易地将搜索转换为数据集请求，这是一个无缝的过程。数据集请求包含在搜索中使用的完全相同的参数，以及搜索者愿意在数据集上花费的Pix数量。此外，还可以提供示例图像。
数据集请求在PIX生态系统web页面上公开可见，而数据创建者(矿工)可以向请求的发起者提供数据。

在数据挖掘者开始为数据集请求创建数据的情况下，PIX智能合约确保请求者的PIX被保存在一个第三方托管中，直到数据集提供者创建并上传数据集。数据请求者将能够评估数据集的样本图片的质量(不是整个数据集)并将评估提交到pix生态系统,这种方式不会有数据被下载的风险,也不会被验证，pix将返回给请求者。

由于系统支持数据集的组合，它还负责把正确数量的PIX代币从请求者转移到这个组合数据集的不同提供者。请求者可以决定哪些数据集的哪些部分可以合成，系统将计算得出该数据集的即时PIX价格。

如果用户只需要数据进行分类，那么可以从下载中忽略分割数据，从而能够更便宜的下载。

后端
后端是PIX生态系统的核心元素。它存储并检索所有数据，并创建与PIX智能合约的连接。
由于数据大小的限制，存储在PIX生态系统中的实际数据不会存储在Ethereum区块链上。尽管如此，我们仍在考虑是否能够证明给定图像或图像集的有效性。这意味着能够表明相应的图像或图像集就是最初被上传到PIX生态系统的那一组图像。这可能会变得更重要，因为基于伪造的训练数据的算法攻击可能会在未来变得更加普遍。
图中生态系统的服务器端架构将包括分布式冗余服务器来保存所有的图像数据集。冗余和访问速度需要分配。
数据库和后端技术仍然是还未决定，但是优秀的候选对象是MongoDB和Python，因为作为PIX生态系统所需的大部分功能的集成和库已经有了。
后端最具挑战性的部分是自动数据集质量保证。图中生态系统的价值增加主要来自于所包含的数据集的质量。我们设想了一个系统，它利用算法的巧妙组合和最少的人为干预，以便尽可能地保持数据的高质量，即使是在系统的大规模升级的情况下。我们把这部分生态系统称为“数据获取框架”，它有多个角色。
摘要本体是数据库的重要组成部分。它定义了对象的类，这些对象可以在任何上传到PIX生态系统的图片中找到。找到最佳的本体来使用是我们研究的一部分。我们的目标是构建一个可以以分散的方式扩展的本体。我们仍在研究是否有一种基于树状或图的本体更适合我们的目的。

数据采集框架
数据获取框架包含了在PIX生态系统中获取和维护数据质量的所有元素。

数据采集框架-图像验证

图像验证确保提交的图像在最基本的层次上是相关的。有很多步骤可以在这里进行，这是我们目前研究的一部分，来评估哪些是最好的，哪些是最相关的。一些(初步)的想法是:
图像直方图的基本验证
运行一个深度神经网络（DNN）训练来评估图像与其分割的相关性
运行一个深度神经网络（DNN）训练检测真实世界图像(而不是人工合成图像)
运行之前训练过的深度神经网络（DNN）来验证我们已经有样本的分类
在有算法处理不确定性的部分包括进人工验证机制。
图像搜索在开放的图像搜索平台(google等)，以尽可能确认图像没有侵犯版权。

数据采集框架-图像质量测试
在图像质量测试中，系统将评估接收到的数据集或由其他数据集的部分组成的新数据集的质量。评估结果显示了如果把这些数据集用于训练分类或分割算法，PIX生态系统将认为效果将有多好。
这也是我们的研究的一部分，并且极大地促进了该生态系统所提供的附加价值。一些(初步)的想法是:
在数据集上训练基本的(标准架构)的DNN，并评估学习曲线(已经开始)
比较之前基于数据集部分的不同训练
使用与数据集大小，或者在不同的类中进行抽样分布有关的现有的启发式算法。

数据采集框架——Lampix的图像记录应用

这个应用程序是Lampix软件堆栈的一部分。它是一个参考应用程序，它展示了如何向PIX生态系统添加数据。它使用所有API调用来添加数据并评估其质量，将它们集成到一个非常简单直观的用户体验流中，任何非技术用户都可以明白如何使用。该应用程序利用了lampix深度传感摄像机和投影接口来检测、自动分割和记录样品，同时引导用户完成所需的操作。
这个应用程序可以在任何一个可以把Lampix放上去的表面上工作，可以生成一个可以被手工操作的对象的数据集。该应用程序的一个典型流程是:
开始屏幕上有显示操作指南。
用户选择他想要训练的类的数量。
用户从PIX本体中选择类，或者也能够添加自己的类。
系统开始请求将物品放在桌面上，显示它期望放置对象的位置。
用户将物品放在桌面上，lampix会检测并拍照，将图像上传到后台的PIX生态系统中。
通过api交互，PIX的生态系统在数据集被记录下来的时候提供了对数据集的质量和完整性的反馈。通过这种方式，用户可以实时看到需要向数据集添加多少数据，哪些对象可能丢失了，等等。这主要是一个正在创建的数据集的实时进度和质量指示器。

价格计算
图像的价格将由PIX代币计算。这是一个研究领域，我们必须决定图像的哪个特征会影响它的价格。
候选因素:
对图像类别的需求(在本体中)
图像大小/分辨率/质量
数据集大小(单个图像是无用的，最合适的数量，太多的图像由于冗余而开始变得无用)
紧迫性(对于图像订单)

价格在生态系统中会被用作参考。一方面，数据集提供商将得到一个他们可能愿意出售数据集的建议价格。提供者总是可以手动为其数据集指定不同的价格。
另一方面，系统将为数据集请求者提供尚未存在的数据集的建议价格。他们也可以选择接受或修改这个价格。

被提议的价格里面也包含了向投票人支付的PIX代币，因为他们验证和确保了数据质量。

Pix生态系统能从市场交易的价格中学习，并将根据当前的市场趋势调整价格建议。在何种情况下这个会发生的确切机制是我们研究的一部分。它最初可能是由手动强制规定的，在以后的后台算法会产生由管理员手动输入的建议，在最后完成一个完全自动的系统。

当一个数据集请求者建立一个由更多的源数据集组成的数据集请求时，最终数据集的pix价格是根据每个源数据集的贡献来计算的。如果请求者的出价低于建议的价格，他的提议也将按比例分配给请求者。

如果(部分)数据集被其他人重用，那么数据挖掘者就会得到多次报酬。例外情况是，如果数据请求者要求数据的独占性。在这种情况下，数据挖掘者能从提供的数据中获取更多的PIX，之后这个请求者将是唯一能够决定此数据使用权的用户。他既可以保持完全私有，也可以继续在PIX生态系统上发布它，提供给后续有相同数据请求的用户以获取PIX。

Pix生态系统API
PIX系统API提供了有关对数据的提交，单图像提交、数据质量的信息，图像下载和其他一些功能的可编程接口。

图像提交

图像可以通过两种方式提交:一种是完整的数据集，一种是单一的图像。
如果一个用户已经拥有了一个数据集，那么它就可以作为一个整体来上传，这种上传的格式还未被定义。我们必须在这里检查行业标准，并适应最常见的格式。

PIX的生态系统将显示所呈现的数据集的估算值。在下载时用户将要收取的实际的PIX代币数量取决于下载中使用的数据集的哪个部分，因为可以将不同数据集的部分重新组合为特定的下载。

通过API上传数据集的第二种方式是事物型的。有一个API调用来启动一个上传事务(对于现有的或新的数据集)，并逐步向它添加示例。在整个过程中，API能够提供关于数据集质量的反馈，这样任何API用户都可以创建一个交互式UI体验，由此终端用户可以被引导创建需要数量的数据，在任意时间点都可以了解进度。
运行外部算法
在现有的数据集上运行算法基本上有两种可能：或者数据输入到算法，或者算法输入到数据。第二种方法是一种相对较新的模式，和第一种方法相比有一些优点。
PIX生态系统的应用编程接口提供了一个可以让现存算法运行在数据上的接口，这些数据不需要从系统的服务器上面下载下来。这样一来每个数据单位需要支付的PIX代币就会便宜，因为数据从来就没有离开生态系统的服务器。这可能也是更方便的运行算法的方法，因为它不需要转移大量的数据。这样的请求将会带来一个计算成本，也可以用PIX代币来支付。
图片集的下载
更普遍的获得PIX生态系统中数据的方法是下载数据集。应用程序接口提供了查询数据集数据库和下载特定目标的正确数据集的方法。之前提到过，一个数据集可以分成不同的类别，而且不是一个类别中所有的样本都需要下载。下载时不同数据集的重新组合也是可能的。在某些情况下（比如说当从不同分辨率的数据集中组合数据或者从分类中请求图片）将会使用一个自动裁剪的机制来创建同类的数据集以供下载。这个自动裁剪机制需要进一步定义。
而且，就像基于网页的下载一样，如果用户仅仅是为了分类需要数据，下载时分割的数据就可以被忽略，这样下载就节省了PIX代币。
下载交易需要PIX代币，所以这需要一个有PIX代币余额的账户来授权。如果账户中的余额不足以下载，整个下载将被取消。
重新下载以前下载过的图片会比下载新的图片便宜很多。仅仅是被用来补偿重新下载需要用到的带宽成本。
区块链和PIX代币的整合
就像上面提到的，在许多应用场景中PIX的生态系统里是需要和PIX代币交互的。尤其是对于投票人，矿工还有购买和许可其他人使用（部分）数据集的人来说，我们需要支付和收取PIX代币。PIX众筹的智能合约保留了所有拥有PIX代币的账户的PIX余额。为了和PIX生态系统整合，我们会创建一个新的智能合约（PIXIMG），这个智能合约会包含所有必要的方法以便于众筹智能合约可以和PIX服务器交互。这章描述了这个智能合约的主要功能。
图片散列
每一个加入PIX生态系统的图片，分类和分割信息会被散列，散列值将会用PIXIMG智能合约加入区块链中。这保证了数据无法被篡改。每一次当有人获取从PIX系统中拿到的图片时，他/她可以证明这个图片是否被篡改了。
花费PIX代币
在以下情况中PIX代币将会从用户账号中花费出去：
下载数据集
下载以前获得过的数据集（支付带宽费用）
在PIX系统中运行算法
赚取PIX代币
一个用户在以下情况中会赚取PIX代币：
其他用户下载属于它的完整（或部分）数据集
给数据投票
在已经有的数据集中增加分类和分割信息
Lampix - 参考设备
Lampix设备包含了一个投影仪，一个摄像头和一个计算机。它被设计成可以通过一种新型的增强现实的应用来借助和展示PIX生态系统的强大功能。我们相信这些增强现实的应用将会改变人们和电脑之间的互动方式。以下部分给出了这个系统的简单概要。深入的需求和Lampix架构在另外的文档中会有说明。
软件
机器学习
Lampix依赖于识别放在它下面的物体的能力。它使用设备上和设备下的机器视觉算法来获得这种能力。
为了训练这些算法，必须要有样本数据。Lampix可以在两方面贡献于PIX生态系统：
Lampix物体学习应用（展示了如何向PIX生态系统提交数据）
Lampix计算机视觉训练（使用PIX生态系统的数据集来训练可以识别相关物体的算法）
内容
有了识别物体的能力，下一步是围绕这些物体创建内容和应用。这就是在创造实际的增强现实的体验。这在Lampix上通过HTML5和Javasc来实现。一个直观的JavaScript应用程序接口可以被用来把内容和计算机视觉算法交互，这样就可以知道物品和手指还有其他刺激源的信息。内容开发者是不需要知道底层计算机视觉算法有多复杂的。
硬件
我们有基于英特尔，Realsense和Optoma OTS投影仪的第三代概念验证原型。
为了进一步的开发我们在探索三条路线：
基于中国制造商的投影和计算模块建造自己的硬件
基于代工的Optoma和英特尔来建造自己的硬件
完全使用英特尔的硬件
路线图
这一章描述创建PIX生态系统将要进行的下一步工作。我们使用敏捷方法工作，并且我们将把我们内部项目管理的工具连接到我们的网站上去，这样我们就能透明化的展示达到以下这些里程碑的进度。
团队
Lampix软件团队完成：2017/06
我们已经有了Lampix软件团队，我们的软件团队建立了现阶段的平台并且提供软件给目前的概念验证客户。
PIX软件团队完成：2017/12
目前正在招聘PIX软件开发团队，在后端和前端的岗位上已经有了很好的候选人。
业务发展和运营团队完成：2017/10
目前正在招聘PIX生态系统和Lampix的业务发展团队
硬件团队：核心团队成立 2017/08
将会根据需要招聘更多人员
业务发展
Lampix概念验证客户：2017/09
已经签下了宝马汽车（完整的新闻公报将于2017年10月发布），我们并将很快公布正在争取的另外几个大客户。
Lampix从概念验证客户到大量推广：2017/12
我们的下一个Lampix的业务发展目标是做一个设备的大量推广，可能在零售行业。
PIX生态系统关闭Beta版的概念验证客户和外部参与者一起完成测试场景：2018/06
我们需要签下至少2-3个外部参与者来完成PIX生态系统的初始开放Beta版本。通过我们的众筹过程我们已经获得了一些数据矿工，所以起初的开放Beta版的参与者最有可能是数据用户。
Lampix Kickstarter：2017/12
为了增加PIX生态系统和既可以图片挖矿又可以用来做其他应用（开放应用程序接口）的Lampix设备的曝光率，我们会启动一个Kickstarter活动，推出一个初始针对开发人员的Lampix版本。买家将可以用来挖掘图片，创建应用，并且可以从PIX生态系统里得到他们自己的训练数据来教会Lampix新的技能。
PIX数据库
PIX生态系统的关闭Beta版：2018/04
我们将使用PIX生态系统平台来创建内部数据集，用来评估和测试系统。在这个阶段我们可能会让一些主要的客户一起参与，但是还没有决定。已经在使用的外部旷工们可以赚取PIX代币。
PIX生态系统的开放Beta版：2018/06
我们将会有可以被外部客户使用的系统的第一个版本，让他们可以搜索和请求数据集。
PIX生态系统正式上线：2018/08
PIX生态系统完整生产版的第一版，包括原先设想的所有功能的一部分。以后每季度会发布新版本，逐渐加入所有计划中的功能。加入功能的前后次序基于Beta阶段的结果和收到的反馈，还有到那个时候业务发展团队的反馈。
Lampix软件
图片挖矿的应用和相应的后端软件：2018/04
这个包含了会引导用户挖掘样本的Lampix应用，和收集样本的服务器端软件，还有为了给矿工提供即时反馈而评估数据集质量的系统部件。还包括了一个基于标准深度神经网络（DNN) 架构的自动训练系统，所以没有机器学习知识的用户也能在他们的Lampix应用里训练和直接使用他们的数据。这个数据也会提交到PIX生态系统中。
JavaScript应用程序接口（API）的公开版本：2018/01
这个JavaScript应用程序接口的公开版本能够让软件开发人员可以在Lampix上构建他们自己的应用。它包括了模拟器的一个改进版。
白板合作应用：2018/06
这个白板合作应用将和Kickstarter版本的Lampix一起交付。它展示了Lampix在合作的工作环境中的用处。
硬件
Lampix（几十件，3D打印生产，第三代原型机）：2017/08
这些是我们现在正在生产和销售给概念验证客户的原型机。
Lampix（几百件，聚氨酯铸造）：2018/02
新一代的原型机，我们可以用一种叫聚氨酯铸造的技术来做几百个这样的产品。这些产品将被用于第一次大量的客户推广。在这一步我们必须想清楚硬件的细节部分，包括是不是要和英特尔合作。
Lampix（第一次正式生产）：2018/10
量产版Lampix的第一个版本，会交付给B2B和Kickstarter的客户。
有关文档
[1] https://www.springeropen.com/track/pdf/10.1155/S1110865704401188?site=asp.eurasipjournals.springeropen.com
[2]
https://github.com/ethereum/wiki/wiki/White-Paper
[3]
https://tryolabs.com/blog/2017/08/30/object-detection-an-overview-in-the-age-of-deep-learning/
[4] https://cs.stackexchange.com/questions/51387/what-is-the-difference-between-object-detection-semantic-segmentation-and-local