可以使用人工神经网络来确定照片中物体的大小吗？

是：从单目图像中学习深度

最后，深度只是大小的一种特殊形式。

当然，您需要部分已知的东西，例如另一辆车。您不需要知道汽车的确切尺寸，但您知道汽车一般有哪些尺寸。如果您有没有任何参考的图像，那是不可能的。

在我的论文中，我实际上使用基于单个单目图像的 CNN 解决了​​深度估计问题，因此我可以分享我理解该问题的经验。

正如您通常所说的那样，您遇到的问题是您无法直接通过几何方法恢复图像中场景的比例。即使您知道相机和镜头的属性（例如焦距），但仍然不知道场景的任何绝对大小，情况仍然不是这样。然而，神经网络仍然能够解决基于单目图像的深度估计任务（至少对于固定的相机属性），因为它通过对数据集的训练学习到已知的对象大小。这意味着它可以使用学习到的特定对象的大小和相对深度关系来给出场景中深度的相当好的近似值。

但是，在您的特殊情况下，如果我理解正确，这种方法将不起作用。如果您只是拍摄可以具有任意尺寸的石头的照片，并且图像中没有深度提示或任何与深度相关的独特图案，那么就没有机会估计绝对深度。CNN 最终可能只会学习您使用的数据集的一些平均深度值或重复的深度模式，或者记住整个训练集以最小化训练错误，因为它根本无法解决此任务。所以你不会得到一个能以某种方式泛化到新场景的工具。神经网络仍然只是一个函数逼近器，而不是可以解决无法解决问题的神奇东西。

对于您的用例，可能有一些（复杂的）解决方案可以为您提供或多或少准确的深度估计。例如，您可以使用运动方法的结构，您可以通过手机的加速度计以某种方式测量绝对相机运动。或者最好是基于立体相机的设置，您知道相机位置的绝对相机位移，如果您的图像中有纹理，则可以解决此任务。有了它，您可以通过经典的立体深度估计或使用估计立体​​图像对深度的 CNN 来找到特定点的绝对深度。