计算机视觉和深度学习都是人工智能的重要领域，它们在很多方面有所交叉，也存在许多不同。尤其是在用词上，它们有许多相似但含义不同的术语，如”深度”。在计算机视觉中，”深度”通常指的是物体在三维空间中的位置或距离；而在深度学习中，”深度”则指的是神经网络的层数。
1.计算机视觉中的”深度”
在计算机视觉领域，深度通常指的是一个物体在三维空间中的深度位置，也就是物体到摄像头或者视点的距离。深度图像或深度地图是一种特殊的图像，其像素值代表了图像中每个像素点到摄像头的距离。深度感知能力使得计算机视觉系统可以理解物体的三维空间位置，对于许多应用如自动驾驶、机器人导航、3D建模等都是至关重要的。
2.深度学习中的”深度”
在深度学习中，”深度”则是指神经网络的层数，它代表了网络的复杂程度和学习能力。一般来说，网络的深度越深，其理论上的学习能力越强，能够学习到更复杂的特征和模式。然而，网络深度的增加也带来了许多问题，比如梯度消失/爆炸问题、过拟合问题等。因此，如何设计和训练深度网络是深度学习研究的重要内容。
延伸阅读
深度的应用：深度估计与深度神经网络
1.深度估计：深度估计是计算机视觉中的一个重要任务，它的目标是从单张或者多张2D图像中推断出3D场景的深度信息。这个任务对于许多计算机视觉应用都是至关重要的，比如立体重建、目标检测、场景理解等。
2.深度神经网络：深度神经网络是深度学习中的核心，它通过增加网络的深度来学习数据中的复杂模式。近年来，随着硬件技术的进步和大数据的积累，深度神经网络已经在许多领域取得了显著的成功，比如图像识别、语音识别、自然语言处理等。
在实际应用中，深度学习和计算机视觉经常会结合在一起。比如，可以利用深度神经网络进行深度估计，从而使计算机视觉系统获得对3D场景的理解能力。这种结合使得人工智能系统能够更好地理解和处理复杂的视觉任务。
