Core Concepts
Mamba3D는 상태 공간 모델을 활용하여 3D 포인트 클라우드의 로컬 기하학적 특징을 향상시켜 우수한 성능, 높은 효율성 및 확장성을 달성한다.
Abstract
이 논문은 3D 포인트 클라우드 분석을 위한 새로운 모델인 Mamba3D를 소개한다. Mamba3D는 상태 공간 모델(SSM)을 기반으로 하며, 다음과 같은 핵심 기술을 제안한다:
로컬 노름 풀링(LNP) 블록: 로컬 기하학적 특징 추출을 위한 간단하면서도 효과적인 블록으로, K-노름과 K-풀링 연산자를 활용한다.
양방향 SSM(bi-SSM): 토큰 순방향 SSM과 새로운 역방향 SSM(C-SSM)으로 구성되어, 무질서한 포인트 클라우드의 전역 특징을 더 잘 포착한다.
Mamba3D는 Transformer 기반 모델과 기존 Mamba 모델을 능가하는 성능을 보인다. 다양한 실험 결과, Mamba3D는 ScanObjectNN 및 ModelNet40 분류 작업에서 새로운 최고 성능을 달성했으며, 적은 파라미터와 FLOPs로도 우수한 성능을 보였다. 또한 Mamba3D는 적은 데이터로도 강력한 few-shot 학습 능력을 보였다.
Stats
Mamba3D는 ScanObjectNN 분류 작업에서 92.6%의 전체 정확도를 달성하여 처음부터 학습한 모델 중 최고 성능을 기록했다.
Mamba3D는 ModelNet40 분류 작업에서 95.1%의 전체 정확도를 달성하여 단일 모달 사전 학습 모델 중 최고 성능을 기록했다.
Mamba3D는 Transformer 대비 파라미터 30.8% 감소, FLOPs 23.1% 감소를 달성했다.
Quotes
"Mamba3D는 상태 공간 모델을 활용하여 3D 포인트 클라우드의 로컬 기하학적 특징을 향상시켜 우수한 성능, 높은 효율성 및 확장성을 달성한다."
"Mamba3D는 ScanObjectNN 분류 작업에서 92.6%의 전체 정확도를 달성하여 처음부터 학습한 모델 중 최고 성능을 기록했다."
"Mamba3D는 ModelNet40 분류 작업에서 95.1%의 전체 정확도를 달성하여 단일 모달 사전 학습 모델 중 최고 성능을 기록했다."