Lightweight Semantic Segmentation Algorithm Based on Gated Visual State Space Models

Kui Di

doi:10.3390/electronics15061175

Lightweight Semantic Segmentation Algorithm Based on Gated Visual State Space Models

2026-03-12

0

OA

AI

DOI：10.3390/electronics15061175

原文链接

查看原文

摘要

En 中文

激光雷达（LiDAR）是智能驾驶系统中获取环境信息的主要传感器。然而，在恶劣天气条件下，激光雷达获取的点云信号会遭受强度衰减和噪声干扰，导致分割精度下降。为解决这些问题，本文设计了一种基于门控视觉状态空间模型（VMamba）的轻量级语义分割系统，命名为RainMamba。具体而言，该系统利用球面投影将点云转换为2D序列，并构建受Beer–Lambert定律指导的物理感知特征嵌入模块，以显式地建模并抑制源头的空间噪声。随后，采用不确定性加权跨模态校正模块，结合RGB图像动态校准退化的点云数据。最终，采用VMamba骨干网络以线性复杂度建立全局依赖关系。在SemanticKITTI数据集上的实验结果表明，该系统实现83 FPS的推理速度，相较于实时基线模型PolarNet，其相对mIoU提升约7.2%。此外，在真实世界的SemanticSTF数据集上的零样本评估验证了系统强大的仿真到现实泛化能力。值得注意的是，RainMamba在保持与当前最优重型模型PTv3相当精度的同时，参数量显著降低，显示出其在实际边缘计算部署中的巨大潜力。

Keyword:

autonomous driving

semantic segmentation

state space model

LiDAR

adverse weather

multi-modal fusion

Lightweight Semantic Segmentation Algorithm Based on Gated Visual State Space Models

摘要

AI总结

期刊

机构

引用论文