Apr, 2024

MambaMOS：基于 LiDAR 的带运动感知状态空间模型的三维移动物体分割

PDF
TL;DR本研究提出了一种名为 MambaMOS 的基于 LiDAR 的三维运动物体分割方法，利用时间线索引导嵌入模块 (TCBE) 和运动感知状态空间模型 (MSSM) 解决了弱关联时空信息的问题，并通过实验证明其达到了最先进的性能水平。
lidar-based moving object segmentationmotion informationtemporal and spatial informationmotion-aware state space modelmambamos
发现论文，激发创造
  • MF-MOS: 一种用于移动物体分割的动态模型

    提出了一种新颖的以运动为重点的模型，利用残差图和视域图来实现 LiDAR 运动物体分割，取得了当前最先进的性能表现。

    Jan, 2024

  • 点云蟒蛇：基于状态空间模型的点云学习

    本研究首次展示了基于 Mamba 的点云方法能够超越基于点的方法，Mamba 具备强大的全局建模能力和线性计算复杂度，对点云分析非常具有吸引力。为了更有效地处理 3D 点云数据，我们提出了一种新颖的一致遍历序列化方法，将点云转换为 1D 点序列，并确保序列中相邻的点也是空间上相邻的。一致遍历序列化方法通过排列 x、y 和 z 坐标的顺序产生六种变体，通过这些变体的协同使用，有助于 Mamba 全面观察点云数据。此外，为了更有效地帮助 Mamba 处理不同顺序的点序列，我们引入了点提示的概念，以告知 Mamba 序列的排列规则。最后，我们提出了基于空间坐标映射的位置编码方法，更好地将位置信息注入点云序列中。基于这些改进，我们构建了一种名为 Point Cloud Mamba 的点云网络，它结合了局部建模和全局建模。Point Cloud Mamba 超越了 SOTA 方法 PointNeXt，并在 ScanObjectNN、ModelNet40 和 ShapeNetPart 数据集上取得了新的 SOTA 性能。

    Mar, 2024

  • 基于序列数据的学习方法在 3D LiDAR 数据中的运动物体分割

    本篇论文提出了一种基于 3D LiDAR 扫描的新颖的运动对象分割方法，可以将环境精确地分割为运动和静态对象，相比于其他先进的方法在城市环境中具有更高的分割质量。

    May, 2021

  • OverlapMamba：一种基于 LiDAR 的位点识别的新型移动状态空间模型

    利用 state space models 与 Mamba 深度学习模型开发了 OverlapMamba，一种新颖的用于地点识别的网络，它能够在实时效率上显示出强大的地点识别能力且在时间复杂性和速度方面优于传统的 LiDAR 和多视图组合方法。

    May, 2024

  • Mamba24/8D: 通过状态空间模型增强点云的全局交互

    通过借鉴最近的状态空间模型在长序列建模方面的潜力，我们引入了基于 SSM（状态空间模型）的架构 Mamba 到点云领域，并提出了 Mamba24/8D，它在线性复杂度下具有强大的全局建模能力。该架构在多个 3D 点云分割任务上取得了最先进的结果，并通过大量实验证实了其有效性。

    Jun, 2024

  • Point Mamba：基于状态空间模型的新型点云骨干网络与八叉树排序策略

    提出了一种基于 SSM 的点云处理骨干网络 Point Mamba，具有因果感知的排序机制，在构建因果依赖关系方面采用基于八叉树的排序策略，通过全局排序点以 Z 序列并保留它们的空间接近度。与基于 transformer 的对应方法相比，我们的方法在 ModelNet40 分类数据集和 ScanNet 语义分割数据集上分别达到了 93.4％的准确率和 75.7 的 mIOU，且 Point Mamba 具有线性复杂度，比基于 transformer 的方法更高效。这表明 SSM 在点云理解中具有巨大潜力。

    Mar, 2024

  • RS3Mamba: 对遥感图像语义分割的视觉状态空间模型

    该研究通过引入 Mamba 模型和协同完成模块，提出了一种新型双分支网络 RS3Mamba，用于遥感图像语义分割任务，并在 ISPRS Vaihingen 和 LoveDA Urban 数据集上进行了实验证明其有效性和潜力。

    Apr, 2024

  • PointMamba：一种用于点云分析的简单状态空间模型

    基于状态空间模型 (SSM) 成功在 NLP 任务中进行序列建模的启发，我们提出了具有全局建模和线性复杂度的 PointMamba 框架，通过重新排序策略提供更合理的几何扫描顺序来增强 SSM 的全局建模能力，实验证明我们的 PointMamba 在不同的点云分析数据集上胜过基于 transformer 的对应模型，同时节省了约 44.3% 的参数和 25% 的 FLOPs，展示了构建基础 3D 视觉模型的潜在选择，并为点云分析提供了新的视角。

    Feb, 2024

  • nnMamba：使用状态空间模型进行 3D 生物医学图像分割、分类和地标检测

    通过将 State Space Sequence Models (SSMs) 整合到卷积残差块中，nnMamba 架构能够提取局部特征并建模复杂的依赖关系，从而在医学图像分析的一系列挑战性任务中展现出卓越的性能。

    Feb, 2024

  • DSEC-MOS: 使用运动自车分割任何运动物体

    本研究提出了一种新的数据集 DSEC-MOS，用于解决现有运动目标分割数据集中缺乏提高动态场景理解的事件信息的问题，该数据集包含 16 个序列和 13314 张图像，并利用大型模型 SAM 和事件数据生成准确的分割掩码注释。

    Apr, 2023