基于Mamba的sota

简要介绍

在基于点云的3D目标检测领域，近年来出现了一些基于状态空间模型（State Space Model, SSM）的新方法，其中以 Mamba 系列模型为代表，取得了显著的性能提升。

---

🔍 Mamba 系列模型概览

Mamba 系列模型采用线性复杂度的状态空间模型，避免了传统 Transformer 模型的二次复杂度限制，适用于处理稀疏和大规模的点云数据。

1. Voxel Mamba

Voxel Mamba 是一种基于状态空间模型的点云 3D 目标检测方法，采用无分组策略，将体素序列化为单一序列，从而提高效率。

• 数据集表现：

  • 在 Waymo 数据集上，验证集 mAPH_L1 达到 79.6，测试集 mAPH_L1 达到 79.6。

  • 在 nuScenes 数据集上，测试集 mAP 达到 69.0，NDS 达到 73.0。

  • 在 ScanNet 数据集上，AP25/AP50 从 65.0%/47.0% 提升至 70.4%/54.4% (GitHub)。

2. 3DET-Mamba

3DET-Mamba 是一种针对室内场景的端到端 3D 目标检测方法，采用 Mamba 模块进行局部和全局建模。

• 数据集表现：

  • 在 ScanNet 数据集上，AP25/AP50 从 65.0%/47.0% 提升至 70.4%/54.4% (开放评论)。

3. LION-Mamba

LION-Mamba 是一种基于线性组 RNN 的框架，结合了 Mamba 模块，适用于稀疏点云的 3D 目标检测。

• 数据集表现：

  • 在 Waymo、nuScenes、Argoverse V2 和 ONCE 数据集上取得了 SOTA 性能 (arXiv)。

---

🧪 研究趋势与未来方向

• 高效性与扩展性： Mamba 系列模型通过线性复杂度设计，提高了计算效率，适用于大规模点云数据处理。

• 融合局部与全局特征： 通过引入多尺度和双向建模策略，增强了模型对复杂场景的感知能力。

• 跨模态知识蒸馏： 将 Transformer 模型的知识迁移到 Mamba 模型中，实现了性能提升和资源消耗降低 (arXiv)。

---

✅ 总结

基于 Mamba 的方法在 3D 点云目标检测领域展现了强大的性能和高效性，尤其在处理大规模和稀疏点云数据时具有明显优势。

如果您希望在实际项目中应用这些方法，可以参考以下资源：

• Voxel Mamba GitHub 仓库： https://github.com/gwenzhang/Voxel-Mamba

• 3DET-Mamba 论文： https://openreview.net/forum?id=iOleSlC80F

• LION-Mamba 论文： https://arxiv.org/abs/2407.18232

这些方法已在多个公开数据集上取得了 SOTA 性能，适用于自动驾驶、机器人导航等领域的 3D 感知任务。