L’estimation de profondeur monoscopique auto-supervisée a fait l’objet d’études intensives ces dernières années en raison de ses applications en robotique et dans les véhicules autonomes. La majeure partie des travaux récents vise à améliorer l’estimation de profondeur en augmentant la complexité des architectures. Ce papier montre qu’un résultat d’état de l’art peut également être atteint en améliorant le processus d’apprentissage plutôt que de complexifier le modèle. Plus précisément, nous proposons (i) d’ignorer les petits objets potentiellement dynamiques lors de l’entraînement, et (ii) d’adopter une approche basée sur l’apparence pour estimer séparément la pose des objets véritablement dynamiques. Nous démontrons que ces simplifications réduisent la consommation de mémoire GPU de 29 % et conduisent à des cartes de profondeur améliorées, tant sur le plan qualitatif que quantitatif. Le code est disponible à l’adresse suivante : https://github.com/kieran514/Dyna-DM.