.png){kind=icon}
返回
Density-Aware Multi-Level Geometry Enhancement for Mamba-Based Point Cloud Classification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15184191.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于Mamba的点云网络通过状态空间层处理序列化点标记，提供高效的分类，但其性能很大程度上取决于序列化前产生的局部标记的质量。现有标记化方法通过对称池化压缩局部补丁，从而丢弃精细的几何关系，并在非均匀采样下引入聚合偏差。为处理此问题，我们提出了一种密度感知的多级几何增强方法。一种密度加权的标记编码器估计每个补丁内的局部点密度，并在聚合前自适应地校准点级贡献，从而减少冗余密集样本的主导作用。一个多级局部几何分支直接从原始点提取层次化的坐标基邻域特征，并通过残差融合注入序列化标记，补偿补丁压缩过程中丢失的几何细节。此外，采用监督对比学习作为辅助正则化器，以提高类内紧致性和类间可分性。在ScanObjectNN和ModelNet40上的实验验证了该方法的有效性：我们的方法在OBJ_BG、OBJ_ONLY和PB_T50_RS变体上分别达到94.42 ± 0.09%、92.11 ± 0.13%和87.89 ± 0.11%的精度，而ModelNet40的精度达到93.04 ± 0.12%。这些仅使用12.57 M参数获得的结果表明，在评估的基准测试中实现了良好的精度-效率权衡。
Keyword:
point cloud classification
state space model
density-weighted tokenization
multi-level geometric recovery
supervised contrastive learning
