.png){kind=icon}
返回
AutoMamba: Efficient Autonomous Driving Segmentation Model with Mamba
.png){kind=icon}
OA
AI
DOI：10.3390/s26072227.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语义分割在自动驾驶领域需要在高保真感知与实时延迟之间取得平衡。尽管Transformer架构实现了当前最佳性能，但其二次复杂度限制了高分辨率处理的效率。状态空间模型（SSM）如Mamba虽具有线性复杂度，但常因局部细节丢失和扫描策略低效而受限。本文提出AutoMamba，一种定制的混合SSM架构。我们设计了混合SSM模块，通过深度卷积注入局部空间先验，并引入阶段自适应混合扫描策略。该策略在早期阶段优先利用水平上下文进行道路布局分析，仅在深层激活垂直扫描以保留如柱体等各向异性结构。此外，我们发现与Transformer不同，Mamba架构需要辅助监督和在线困难样本挖掘（OHEM）来解决“长尾遗忘”问题。在Cityscapes和BDD100K数据集上从零训练的实验结果验证了AutoMamba的优越性。值得注意的是，AutoMamba-B0在Cityscapes上达到67.79%的mIoU，其计算量比SegFormer-B0减少31.3%。此外，当SegFormer-B2在2048×2048分辨率下因内存不足而失败时，AutoMamba-B2仍能高效扩展，验证了其线性复杂度优势对下一代感知系统的适用性。
Keyword:
semantic segmentation
autonomous driving
state space models (SSM)
mamba
linear complexity
real-time perception
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏
Mamba-Sea: A Mamba-Based Framework With Global-to-Local Sequence Augmentation for Generalizable Medical Image SegmentationMamba-Sea：一种基于Mamba的具有全局到局部序列增强的通用医学图像分割框架
PREAI
分享收藏Hu, J.; Zheng, J.; Wei, J.; Zhang, J.; Stiefelhagen, R. Deformable Mamba for Wide Field of View Segmentation. arXiv 2025, arXiv:2411.16481. [Google Scholar] [CrossRef]Hu, J.; Zheng, J.; Wei, J.; Zhang, J.; Stiefelhagen, R. 可变形Mamba用于广视野分割。arXiv 2025, arXiv:2411.16481. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容