論文の概要: Point Could Mamba: Point Cloud Learning via State Space Model
- arxiv url: http://arxiv.org/abs/2403.00762v1
- Date: Fri, 1 Mar 2024 18:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 16:24:49.010543
- Title: Point Could Mamba: Point Cloud Learning via State Space Model
- Title(参考訳): Point Could Mamba:状態空間モデルによるポイントクラウド学習
- Authors: Tao Zhang, Xiangtai Li, Haobo Yuan, Shunping Ji, Shuicheng Yan
- Abstract要約: 我々は,マンバをベースとしたポイントクラウド手法が,ポイントベースの手法より優れていることを示す。
ローカル・グローバル・モデリングを組み合わせたポイント・クラウド・マンバ(Point Cloud Mamba)というポイント・クラウド・ネットワークを構築した。
Point Cloud Mambaは、SOTAポイントベースのPointNeXtを超え、ScanObjectNN、ModelNet40、ShapeNetPartデータセットで新しいSOTAパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 69.58334830144946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, for the first time, we demonstrate that Mamba-based point cloud
methods can outperform point-based methods. Mamba exhibits strong global
modeling capabilities and linear computational complexity, making it highly
attractive for point cloud analysis. To enable more effective processing of 3-D
point cloud data by Mamba, we propose a novel Consistent Traverse Serialization
to convert point clouds into 1-D point sequences while ensuring that
neighboring points in the sequence are also spatially adjacent. Consistent
Traverse Serialization yields six variants by permuting the order of x, y, and
z coordinates, and the synergistic use of these variants aids Mamba in
comprehensively observing point cloud data. Furthermore, to assist Mamba in
handling point sequences with different orders more effectively, we introduce
point prompts to inform Mamba of the sequence's arrangement rules. Finally, we
propose positional encoding based on spatial coordinate mapping to inject
positional information into point cloud sequences better. Based on these
improvements, we construct a point cloud network named Point Cloud Mamba, which
combines local and global modeling. Point Cloud Mamba surpasses the SOTA
point-based method PointNeXt and achieves new SOTA performance on the
ScanObjectNN, ModelNet40, and ShapeNetPart datasets.
- Abstract(参考訳): 本研究では,マンバをベースとしたポイントクラウド手法がポイントベースの手法より優れていることを示す。
mambaは強力なグローバルモデリング能力と線形計算複雑性を示し、ポイントクラウド分析に非常に魅力的である。
本研究では,mambaによる3次元点雲データのより効率的な処理を実現するために,隣接点が空間的に隣接していることを確保しつつ,点雲を1次元点列に変換するための新しい一貫性のあるトラバースシリアライズを提案する。
一貫性のあるトラバース直列化は、x、y、z座標の順序を置換することで6つの変種を生じさせ、これらの変種を相乗的に使用することで、mmbaを包括的に観測する点雲データを助ける。
さらに、異なる順序のポイントシーケンスを扱う際に、mambaをより効果的に支援するために、シーケンスの配置規則をmambaに通知するためのポイントプロンプトを導入する。
最後に,空間座標マッピングに基づく位置符号化を提案し,位置情報を点雲列によりよく注入する。
これらの改善に基づいて,ローカルモデルとグローバルモデルを組み合わせたpoint cloud mambaと呼ばれるポイントクラウドネットワークを構築した。
Point Cloud Mambaは、SOTAポイントベースのPointNeXtを超え、ScanObjectNN、ModelNet40、ShapeNetPartデータセットで新しいSOTAパフォーマンスを達成する。
関連論文リスト
- Point Mamba: A Novel Point Cloud Backbone Based on State Space Model
with Octree-Based Ordering Strategy [15.785841856510793]
我々は、因果性を考慮した注文機構を備えた、新しいSSMベースのポイントクラウド処理バックボーン、Point Mambaを提案する。
本手法は, 変圧器をベースとした変圧器と比較して, 93.4%の精度と75.7mIOUの精度を実現している。
提案手法は,SSMが点雲理解において一般的なバックボーンとして機能する可能性を示す。
論文 参考訳(メタデータ) (2024-03-11T07:07:39Z) - PointMamba: A Simple State Space Model for Point Cloud Analysis [61.93962505128706]
本稿では,大域的モデリングと線形複雑度を考慮したフレームワークであるPointMambaを提案する。
組込み点パッチを入力として,SSMのグローバルモデリング能力を高めるための並べ替え戦略を提案する。
実験の結果,提案したPointMambaは,異なるポイントクラウド分析データセット上で,トランスフォーマーをベースとした性能よりも優れていた。
論文 参考訳(メタデータ) (2024-02-16T14:56:13Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。
パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。
Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文 参考訳(メタデータ) (2023-03-12T14:49:42Z) - Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文 参考訳(メタデータ) (2022-10-31T01:53:51Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z) - DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point
Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。
重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。
提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文 参考訳(メタデータ) (2020-07-22T08:20:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。