D

本文旨在按字母顺序对团队研究过程中涉及的术语进行分类解释，为对该领域感兴趣的读者提供一份全面的术语表。

Deep Neural Network(DNN)

深度神经网络（Deep Neural Network）是深度学习（Deep Learning）的主要机制。与一般的神经网络相比，深度神经网络具有更深的层次（深层），因此被称为深度神经网络。 无论是神经网络（NN）还是深度神经网络（DNN），都是通过组合多个感知器（Perceptron）构成的，因此可以看作是多层感知器（Multi-Layer Perceptron, MLP）。

Dense Layer

密集层（Dense Layer）和全连接层（Fully Connected Layer）在意义上是相同的。

Depth of Field

景深（Depth of Field，DOF）是指在图像中被认为是对焦的范围。实际拍摄中，以焦平面为中心逐渐模糊的现象会出现，此时被认为是对焦的区域称为清晰区域（in-focus），而对焦不准确导致模糊的区域则称为模糊区域（out-focus）。 在清晰区域中，从最远处到对焦物体的距离被称为景深（DOF）。换句话说，景深较大时，甚至远处都能在照片中清晰呈现，而景深较小时则会模糊。

Discriminative model

给定数据 (X)，它是一个直接返回标签 (Y) 的条件概率 (P(Y|X)) 的模型。由于需要标签信息，它属于有监督学习的范畴，目标是学习能够良好区分 (X) 的标签的决策边界。 与生成模型相比，判别模型的假设更简单，并且在有足够的训练数据时能够取得良好的性能。线性回归（linear regression）和逻辑回归（logistic regression）是判别模型的典型例子。

Disparity Map

视差图（Disparity Map）表示立体图像对之间清晰的像素差异或运动。例如，当闭上一只眼睛，再快速闭上另一只眼睛，再迅速睁开第一只眼睛时，我们可以亲身感受到视差。 接近的物体在位置上会有很大的差异，而远处的物体几乎不会移动。这种运动就是视差。通过对立体相机获得的一对图像中的像素之间的明确运动进行测量，并通过其强度创建的图像被称为视差图。

Dithering

抖动（Dithering）是使用有限的颜色来表示阴影或颜色的过程，并尽可能地匹配多种颜色。在图形设计师的色彩空间中，像素的强度不仅仅由一个亮度组成，因此可能会看起来有些粗糙，就像有许多小颗粒一样。

Dropout

一般来说，神经网络的层数越深，学习能力越强，但训练时间会更长，并且可能会出现过拟合（overfitting）的问题。当层数增多时，解决过拟合的方法之一是使用丢弃（Dropout）技术。这种方法会在每个层中随机丢弃一定比例的节点，并仅使用剩余的节点进行训练。在固定的小批量数据间隔内完成对丢弃网络的训练后，再随机丢弃其他神经元，不断重复进行训练。以下是丢弃技术的两个主要效果：

1. 投票效应：通过随机重复丢弃，可以获得投票平均效果，从而在结果上实现类似正则化的效果。
2. 鲁棒性模型：当某个神经元具有较大的偏置或权重值时，可能会导致其他神经元的学习速度变慢或无法正常进行。然而，使用丢弃进行训练时，其他神经元不受特定神经元偏置或权重的影响，因此可以防止神经元之间的相互适应。换句话说，可以构建对特定训练数据或样本不敏感的鲁棒网络。