0420 hikv¶

在单目深度估计中，「相对深度」和「绝对深度」是两个非常重要但又容易混淆的概念。下面我来帮你理清楚它们的区别：

✅ 一句话总结：

• 绝对深度：真实世界中，从相机到物体的实际物理距离（比如单位是米）。
• 相对深度：表示图像中物体之间的远近关系或比例，不考虑真实的物理尺度。

⸻

🔍 更具体解释：

绝对深度（Absolute Depth）

• 是一个有尺度的深度。
• 反映的是相机到物体的真实距离，比如「这个物体离相机是 2 米，那一个是 5 米」。
• 需要依赖外部信息（如相机内参、传感器标定）来估计。
• 更难获取，因为单目图像本身没有尺度信息。

✅ 应用场景：

• 自动驾驶中的导航规划
• 机器人抓取物体（需要知道真实距离）
• AR 应用中将虚拟物体放在正确位置

相对深度（Relative Depth）

• 只关心物体之间哪个更近、哪个更远。
• 不包含具体的单位或尺度，只保留结构关系。
• 容易训练，因为人类也很容易标注「这个比那个近」。
• 输出可能是归一化后的深度图（比如值在 0 到 1 之间）或排序。

✅ 应用场景：

• 图像理解
• 分割、检测时辅助定位
• 三维重建的粗略估计

⸻

🧠 举个简单的例子：

假设你看到一张图，图里有一只猫和一棵树：

• 相对深度估计模型告诉你：「猫比树更近」。
• 绝对深度估计模型告诉你：「猫在 1.2 米，树在 5 米」。

过拟合（Overfitting） 是指模型在训练数据上表现很好，但在新数据（测试集）上表现很差的现象。这意味着模型“记住”了训练数据中的细节和噪声，而没有学到真正的规律。

⸻

为什么会过拟合？

• 模型太复杂（参数太多）
• 训练数据量太少
• 数据中有噪声
• 训练轮数太多

⸻

如何应对过拟合？

1. 增加数据量（Data Augmentation）
2. 使用正则化（如 L1/L2 正则）
3. 简化模型结构
4. 使用 dropout（神经网络中常用）
5. 交叉验证（如 K 折交叉验证）
6. 提前停止训练（Early Stopping）

需要详细讲解其中某一点吗？