在真实世界的一个物体，可以通过相机矩阵将其投影到像素坐标系上
但是，在像素坐标系上的像素，由于相机的原理，导致它的深度信息已经没有了，所以原理上是没法得到其真实深度的(即3d位置)
那么现在的深度学习方法又为什么能预测出物体的深度呢？
个人理解：
大概的过程就是：
- 通过图像可以预测物体的种类
- 通过物体的种类以及其他一些特征可以预测物体的尺寸
- 根据成像原理，真实物体通过小孔成像原理，投射到像素平面，真实物体的两个点+相机中心+图像上两个点构成两个相似三角形，知道了物体的尺寸，根据相似三角形原理，物体实际尺寸和像素尺寸的比例，是与真实深度和相机焦距的比例一致的，因此物体尺寸有了，就可以预测出深度距离了
如果真实物体的尺寸预测不准的话，大概率深度预测也不会准