团队近2年奖励列表：

1. 2023年中国SLAM技术挑战赛冠军，参赛队员：汪萧翔、袁子康等，指导教师：杨欣

2. 2023年挑战杯湖北省特等奖：基于滤波与递归优化融合的机器视觉深度感知系统，参赛队员：许刚伟、贾浩等，指导教师：杨欣、卫平、赵广超等

3. 2023年互联网+湖北省金奖：实时高精端云协同空间感知系统，参赛队员：贾浩、程俊达等，指导教师：杨欣、陶文兵、朱盈盈等

4. KITTI2015立体匹配排行榜：我们的IGEV-Stereo 2022年8月~2023年5月排名第一，截至至2023年8月29日,IGEV-Stereo开源方法中精度排名第2，比排名第1方法CroCo-Stereo速度快5倍以上，误差高0.02%

5. KITTI2012立体匹配排行榜：我们的CGF-ACV目前开源方法中排名第一（截至至2023年8月29日）

6. KITTI里程计排行榜：我们的SDV-LOAM目前开源方法中排名第三（截至至2023年8月29日）

研究成果简介：

1. 高精度、低时延空间计算

空间计算是新一代互联网，即空间互联网，的关键核心技术，是增强现实、移动机器人、智能驾驶等国家战略支柱产业的重要支撑。空间计算基于对物理空间的几何结构和机器运动的理解，实现人机交互和万物互联从二维平面到三维空间的升级，其核心要素包括：定位、深度估计和三维重建，以实现机器数字空间与真实物理空间的映射与对齐。然而，相比于高性能计算平台集群，移动计算平台硬件算力弱、传感器噪声大，并且实际应用中往往面临高动态、弱纹理复杂场景，且存在光照视角变化、遮挡等挑战，导致现有空间计算技术难以实现高精度、高鲁棒性、低时延的性能需求。针对上述问题，项目团队创新研发以下技术成果：

1）基于视觉-雷达-惯导等多传感器融合的运动估计理论与方法：多传感器融合能有效提升定位与建图精度，但不同传感器的状态估计会经常出现状态不一致的情况，影响融合精度和鲁棒性。本项目利用惯导约束取决于自身噪声参数，而与场景复杂程度无关的特性，从理论上推到并建立多状态量间的半弹性约束方程。进一步，基于迭代卡尔曼滤波理论框架，发明了基于半弹性约束的多传感器融合定位与建图新方法，绝对轨迹误差(ATE)比当前国际前沿算法Fast-LIO降低35%，且在4个公开数据集上都取得了最佳的状态估计结果。且在4个公开数据集上都取得了最佳的状态估计结果。此外，由于激光雷达采样频率(10Hz)与惯导采样频率(30Hz以上)间存在显著差异，导致惯导预积分在两次雷达状态估计间存在漂移，降低半弹性约束效果，我们发明了点云分割重组新方法，突破输入点云10Hz的频率限制，缩短迭代卡尔曼滤波的更新间隔，从而提升云端点云注册的鲁棒性。获得2023年全国SLAM大赛激光雷达视觉里程计冠军。

2）基于滤波与递归优化融合的深度估计方法：将代价滤波理论引入到递归优化框架中，有效去除代价体中噪声的同时自适应聚合上下文信息。相比现有先进方法精度提升20%。利用高置信度信息传播方法，自适应挑选少量稀疏代价体中可靠信息并传播至临近区域，实现利用稀疏表达代替稠密代价体，极大减少计算开销。利用注意力机制增强重要的图像特征，压缩冗余图像特征，减少模型参数。上述技术成果实现以下效果。精度高：将滤波理论和递归优化结合到神经网络中，在国际权威室外驾驶场景KITTI排行榜和高分辨率场景的SPRING排行榜上，精度排名均为世界第一。速度快、模型轻量：基于信息传播技术有效实现代价体信息稀疏化，进而提高计算速度。相比百度、牛津相关技术速度提升10-40倍、比港中文相关技术内存开销减少12倍。鲁棒性强：与国外先进的RAFT方法比，本作品能在病态区域如弱对比度和玻璃反光面区域表现良好，精度提高20%。

2. 高精度、高泛化性医学影像分析

医疗健康是国家稳定的基础。80%临床诊断依赖于医学影像诊断，然而，我国优质医生资源极度稀缺且分布不均衡，导致大量患者因得不到及时准确的影像诊断而延误治疗。这不仅仅是一项技术或经济问题，更会带来严重的社会问题，如此次的新冠疫情。医学影像智能诊疗是优化医疗资源的重要技术手段。其中，智能描述影像中的典型信息，即图像特征表示，是智能影像诊疗的核心基础。然而医学影像有显著区别于自然场景图像的自身特点，使得现有方法难以得到高性能特征表示。1）由于成像局限性医学影像目标边界往往非常模糊。同时医生经验差异等因素等都会造成目标区域标注的差异非常大，使得结果难以度量，进而导致特征学习难。2）样本数量少。由于某些疾病病例数量有限及收集标注成本高等因素，医学影像数据集样本数量远少于自然场景图像。基于少量训练样本学到特征区分性差，泛化性能低。3）医学影像像素规模可高达10^7~10^8，举个直观的例子，一位病人的胸部增强CT数据至少有300张切片，且包含动脉期、静脉期等不同相位期数据。大像素规模导致特征计算效率低，是自然场景图像的百倍甚至更高，难以满足术中导航等高实时性应用需求。如何实现差异标注、少量样本、大规模像素下高区分性、高效率图像特征表示是亟待解决的关键科学问题。团队围绕这一关键科学问题，从结构距离度量下特征学习、多特征协同学习、和高效特征表示三方面探索解决特征学习难、区分性差、计算效率低问题，并在医学影像辅助检测与量化等应用取得关键技术突破。

我们的技术获得了MICCAI挑战赛19年脊椎点检测和20年动脉瘤检测冠军和亚军。在疫情爆发初期，协助武汉市中心医院实现低剂量CT新冠肺炎病灶智能量化，能更加准确的度量预测结果与实际病灶间距离，有效提升病灶分割精度，同时将阅片时间缩短80%，极大缓解一线医生紧缺问题，同时大大降低病人等待过程中交叉感染风险。进一步联合华为云搭建新冠肺炎智能量化系统，落地近百家医院。以“AI抗疫”为题，指导学生参加中国国际 “互联网+”大赛，获得全国金奖。