序列化点云Mamba：一种序列化点云Mamba分割模型
计算机视觉与模式识别
2024-07-18 v1
摘要
点云分割对于机器人视觉感知和环境理解至关重要，使其能够应用于机器人导航和三维重建等应用。然而，处理点云数据的稀疏性和无序性为高效且准确的分割带来了挑战。灵感来自Mamba模型在自然语言处理中的成功，本文提出了序列化点云Mamba分割模型（Serialized Point Mamba），它利用状态空间模型动态压缩序列、减少内存使用并提高计算效率。序列化点云Mamba集成了局部-全局建模能力与线性复杂度，实现了在室内和室外数据集上的最先进性能。该方法包括一系列新技术，如分阶段点云序列学习、网格池化和条件位置编码，促进了跨 diverse 点云任务的有效分割。本方法在Scannet上实现了76.8 mIoU，在S3DIS上实现了70.3 mIoU。在Scannetv2实例分割中，它记录了40.0 mAP。它还具有最低的延迟和合理的内存使用，使其成为基于Mamba的点语义分割模型中SOTA。
引用
@article{arxiv.2407.12319,
title = {Serialized Point Mamba: A Serialized Point Cloud Mamba Segmentation Model},
author = {Tao Wang and Wei Wen and Jingzhi Zhai and Kang Xu and Haoming Luo},
journal= {arXiv preprint arXiv:2407.12319},
year = {2024}
}