图像处理涵盖了图像识别、图像分割、图像分类、深度估计等各个子领域/方向，当论文看到一定程度时，总会闪现一些灵感，但是常常就此打住，因为思想的类比难以下手？
举例来说，在NLP领域的transformer到CV领域的Vision transformer就是一种思想的迁移！
那么，其实很多时候，我们总会从不同领域的不同论文中获取一些想法，但是如何将其应用到自己所在的领域呢？这是最近遇到的最大的困惑......介于自身的积累还不足以到突破性进展，就框限在图像领域的各方向之间的思路转换？
以图像分类与图像深度估计为例，尽可能地探讨其思想的异同？如何实现思想的迁移？
仅作经验积累，不保证思考的都对！
简单说就是对图像内容进行分类，如图像上有一只小狗，那么就是归类到狗。结合现实，红豆和绿豆混合在一起，依据颜色分类，这个操作就是图像分类在图像中所干的活。
当然，这也不是说说而已，追根溯源，我们应该要明白，怎么就可以图像分类了，程序怎么就知道将输入的图像进行分类了？
这里大概就是做一些总结以及思考，主要留以思考在图像深度估计的差异性。
总结：
1 数据集：输入的数据需要处理成以下样式！
Q1思考：图像深度估计的数据的格式及要求？
A1回答：结合先前做的图像深度估计的训练，其数据集更多输入的是.mat文件，其本质是matlab文件，可以用matlab打开。举例来说，深度估计常用的NYU Depth Dataset V2数据集（下载路径），其对应的RGB图像、原始深度图像和类标签的样本。
也就是说，图像分类的数据实际就是对应人、车、树的类别，图像深度估计的数据所调用的就是得按需求，个人感觉比图像分类要更细一点，所谓的depths。前者以类别相参照，后者与深度数据像参照。
2 模型搭建：图像分类模型的设计过程
Q2思考：图像深度估计的模型架构定义与图像分类的差异？感觉是重点，也是理所当然吧！
A2回答： 模型这部分，去请教了学者，发现并不是很重点，同一个模型是可以应用于不同的任务，所要关注的还是数据的输入。确实，有些实验在测试时也发现它们是来源于某些基础模型设置的变形，所以，要理解模型，不如去理解模型的每一步操作作用，主要是对输入数据的作用！
也就是说，将图像深度的相关数据，符合图像分类的输入，那么使用图像分类的模型，是不矛盾的，当然，效果就另当别论了......
不管前方的路有多苦，只要走的方向正确，不管多么崎岖不平，都比站在原地更接近幸福。