深度估计（一）

什么是单目深度估计？

青铜：在图片当中，深度就是距离，所以深度估计就是距离估计。这个距离，指的是图片当中每一个像素点和相机（摄像头）之间的距离。
白银：对于单目深度估计，输入的是一张图片，输出的是图像中每个像素点的深度值。即通过神经网络对输入的图像进行特征提取，最后逐一的对每个像素点做一个回归，预测出每一个像素点离相机的距离。

深度估计要做啥？

输入一张彩色图片
输出深度估计

也就是说，输入一张彩色的图片，输出的则是这个彩色图片中每个像素点的深度值，也就是距离值。

论文：Monocular Depth Estimation Using Laplacian Pyramid-Based Depth Residuals（基于拉普拉斯金字塔深度残差的单目深度估计）

第一招：特征提取网络结构设计（backbone）

整体结构图：

分解整体结构图：

解前小故事：有这样一道数学题$$-\frac{2}{5}+\frac{3}{4}$$
对于一年级的我来说：这是啥？看不懂
对于二年级的我来说：有点印象，但是不会做
对于六年级的我老说：就这？然后做出结果
也就是说，我们对于某一件事，在不同的年龄阶段，对它的看法是不一样的。

对于本文的提取特征的网络结构，同样有这样的思想。即对于一张输入的彩色图片（某一件事），把特征提取过程分为几段去看（不同的年龄阶段），则每段的含义是不一样的（不同的看法）。

疑问一：为什么要把特征提取过程分为几段去看？？？

如上分解整体结构图，在对输入的彩色图像（SXSX3）进行卷进的过程中，我们要做很多次的卷积操作。而在不断卷积的过程中，我们把特征图是原始输入图像的1/2、1/4、1/8和1/16的特征图把它单独拎出来。而这拎出来的特征图，另作他用。

注：S/2是输入图像1/2倍大小的特征图尺寸，有可能是第10次提取特征得到特征图的大小，也有可能是第20次提取特征图的大小，但不是第S/2次提取特征的提取次数。

解决疑问一：是为了得到在提前特征的过程中，得到特征的多样性（后面还有其他的特征多样性）。即，在特征提取的过程中，比如第10次卷积操作得到的特征图，只能得到一些浅层的特征，比如图片的纹理或者边缘的特征信息。而在做第20次卷积的时候，得到的特征就会比第10次得到的特征更加的深，那么得到的特征信息也会更加的深层。