喜讯

原标题：喜讯| 港中大（深圳）黄锐教授团队在IEEE Sensors Journal发表文章并被选为当期Featured Article

近日，香港中文大学（深圳）理工学院的黄锐教授团队在《IEEE Sensors Journal》发表题为“Unsupervised Monocular Depth Perception: Focusing on Moving Objects”的文章，并从当期的95篇文章中被选为唯一的Featured Article。

《IEEE Sensors Journal》介绍

《IEEE Sensors Journal》于2001创刊，是传感器工程和技术领域的权威期刊，征稿涉及信号处理与分析、通信、网络与广播技术、元件、电路、器件与系统以及机器人与控制系统等和传感器技术密切相关的主题。《IEEE Sensors Journal》的2021年影响因子为3.301，JCR分区Q1。自2020年以来，《IEEE Sensors Journal》每期会选出一篇特色文章（Featured Article），以此来推广热点话题和优秀文章，被选出的文章将在6个月内免费开放（Open Access）。

研究背景

作为一种灵活的被动 3D 感知手段，从单目视频中无监督学习场景的深度正成为一个重要的研究课题。这种方法利用目标视图与其相邻源视图的合成视图之间的光度误差作为损失，而不依赖于真实的深度标签，因此有非常好的推广性。尽管这种方法已经在驾驶场景有了很多的研究，但现实世界场景中的场景动态因素仍然对学习产生不利影响。并且，仍没有文献量化地评测各种深度估计方法在驾驶场景下对运动物体的效果，这对自动驾驶是至关重要的。

图1：无监督深度估计方法通常会对向车辆估计得过近

研究概要

本文是机器人会议IROS 2020论文的拓展版，在会议论文中，黄锐教授团队已经提出了解决无监督深度估计在运动物体和遮挡上的问题的一些方法，详情可以参考 IROS 2020 文章 。在基于单目视频训练的无监督深度估计领域中，由运动物体引起的问题经常被研究者注意到并指出，但是，仍没有对其进行定量方面的研究。在本文中，黄锐教授团队，提出了进一步提出将静止背景和运动物体来分开评测，从而更好的评价各种深度估计方法。具体来说，在自动驾驶领域的著名KITTI数据集的测试集中划定了驾驶场景的五个不同的常见运动模式，并手动标记了它们以进行详细的定量研究。

图2：被标记的一些不同运动模式的物体样本

评估表明，对于静态背景、一般运动物体和相异运动车辆，在IROS 2020论文中所提出的离群点掩码方法在深度估计准确度（δ

责任编辑：