颜色分类leetcode使用数据驱动方法的深度估计介绍飞行时间、结构光和立体技术已广泛用于深度图估计。在图像捕获速度、结构描述和环境光性能方面，每个都有自己的优点和缺点。单眼线索，例如：纹理和梯度变化、阴影、颜色/雾度和散焦有助于准确的深度估计。这些是易受噪声影响的复杂统计模型。最近，深度学习中的数据驱动方法已被用于深度估计。如果提供足够的数据来学习更粗略和更精细的细节，这些数据驱动的方法就不太容易产生噪音。卷积神经网络- CNN在深度学习中，CNN广泛用于图像处理应用。卷积层是CNN的基本构建块，它结合了池化和ReLU激活层。内核在每一层使用反向传播进行学习。CNN通过在每层的图像生成特征图上应用不同的过滤器，从输入图像中学习特征。随着我们深入网络，特征图能够直观地识别复杂的特征和对象。ConvNets在图像分类方面非常成功，但最近已用于图像预测和其他应用。增加的放大和反卷积层已经让位于放大压缩的特征图以进行类数据预测。