論文の概要: Point Mamba: A Novel Point Cloud Backbone Based on State Space Model
with Octree-Based Ordering Strategy
- arxiv url: http://arxiv.org/abs/2403.06467v1
- Date: Mon, 11 Mar 2024 07:07:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 20:00:18.767092
- Title: Point Mamba: A Novel Point Cloud Backbone Based on State Space Model
with Octree-Based Ordering Strategy
- Title(参考訳): Point Mamba:Octreeベースの順序付け戦略を備えた状態空間モデルに基づく新しいポイントクラウドバックボーン
- Authors: Jiuming Liu, Ruiji Yu, Yian Wang, Yu Zheng, Tianchen Deng, Weicai Ye,
Hesheng Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.785841856510793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, state space model (SSM) has gained great attention due to its
promising performance, linear complexity, and long sequence modeling ability in
both language and image domains. However, it is non-trivial to extend SSM to
the point cloud field, because of the causality requirement of SSM and the
disorder and irregularity nature of point clouds. In this paper, we propose a
novel SSM-based point cloud processing backbone, named Point Mamba, with a
causality-aware ordering mechanism. To construct the causal dependency
relationship, we design an octree-based ordering strategy on raw irregular
points, globally sorting points in a z-order sequence and also retaining their
spatial proximity. Our method achieves state-of-the-art performance compared
with transformer-based counterparts, with 93.4% accuracy and 75.7 mIOU
respectively on the ModelNet40 classification dataset and ScanNet semantic
segmentation dataset. Furthermore, our Point Mamba has linear complexity, which
is more efficient than transformer-based methods. Our method demonstrates the
great potential that SSM can serve as a generic backbone in point cloud
understanding. Codes are released at https://github.com/IRMVLab/Point-Mamba.
- Abstract(参考訳): 近年、状態空間モデル (SSM) が注目されているのは、言語領域と画像領域の両方において、その有望な性能、線形複雑性、長いシーケンスモデリング能力である。
しかし、ssmの因果性要件と点雲の不規則性と不規則性のため、ssmを点クラウドフィールドに拡張するのは自明ではない。
本稿では,因果性を考慮した順序付け機構を備えた,新しいSSMベースのポイントクラウド処理バックボーンであるPoint Mambaを提案する。
因果関係を構築するために, 生不規則点上のオクツリーに基づく順序付け戦略を設計し, z-次列内の点をグローバルにソートし, 空間的近接性を保持する。
本手法は,modelnet40分類データセットとscannetセマンティクスセグメンテーションデータセットにおいて,93.4%の精度と75.7miouのトランスフォーマに基づいて,最先端の性能を実現する。
さらに, 点mambaは線形複雑性を持ち, トランスフォーマー法よりも効率的である。
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。
コードはhttps://github.com/irmvlab/point-mambaでリリースされる。
関連論文リスト
- Mamba3D: Enhancing Local Features for 3D Point Cloud Analysis via State Space Model [18.30032389736101]
状態空間モデル(SSM)に基づくMambaモデルは、線形複雑性のみを持つ複数の領域でTransformerより優れている。
我々は,局所的特徴抽出を強化するために,ポイントクラウド学習に適した状態空間モデルであるMamba3Dを提案する。
論文 参考訳(メタデータ) (2024-04-23T12:20:27Z) - Point Cloud Mamba: Point Cloud Learning via State Space Model [64.85865751243448]
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。
論文 参考訳(メタデータ) (2024-03-01T18:59:03Z) - PointMamba: A Simple State Space Model for Point Cloud Analysis [59.38202882781188]
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) - Mamba: Linear-Time Sequence Modeling with Selective State Spaces [37.786327629797654]
ファンデーションモデルは、ほぼ普遍的にTransformerアーキテクチャとコアアテンションモジュールに基づいている。
このようなモデルの重大な弱点は、コンテンツベースの推論を実行できないことである。
我々はこれらの選択的なSSMを、注意やブロック(Mamba)を使わずに、単純化されたエンドツーエンドニューラルネットワークアーキテクチャに統合する(Mamba)。
一般的なシーケンスモデルバックボーンとして、Mambaは言語、オーディオ、ゲノミクスといったいくつかのモードで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-12-01T18:01:34Z) - 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) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - OctAttention: Octree-based Large-scale Contexts Model for Point Cloud
Compression [36.77271904751208]
OctAttentionは、点雲のメモリ効率のよい表現であるoctree構造を用いる。
我々の手法は、ボクセルベースラインと比較して95%のコーディング時間を節約する。
従来の最先端技術と比較すると,LiDARベンチマークでは10%-35%のBD-Rateゲインが得られる。
論文 参考訳(メタデータ) (2022-02-12T10:06:12Z) - Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。
我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。
提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文 参考訳(メタデータ) (2021-07-18T09:05:16Z) - ASAP-Net: Attention and Structure Aware Point Cloud Sequence
Segmentation [49.15948235059343]
我々は、ASAPと呼ばれるフレキシブルモジュールにより、ポイントテンポラルクラウド機能をさらに改善する。
我々のASAPモジュールは、フレーム間の比較的情報性の高い局所的特徴を連続的に融合させるために、注意深い時間的埋め込み層を含んでいる。
本稿では、ポイントクラウドシーケンシャルセグメンテーションのための異なる計算バックボーンネットワークを持つASAPモジュールの一般化能力を示す。
論文 参考訳(メタデータ) (2020-08-12T07:37:16Z)
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。