基于MSE-Mamba的稀疏点云分类方法

《Electronics》：Sparse Point Cloud Classification Method Based on MSE-Mamba

　　

作为激光雷达（LiDAR）数据处理中的关键任务，点云分类直接决定了自动驾驶和机器人导航等下游应用的准确性和可靠性。然而，在实际场景中，点云稀疏性极易受各种因素影响，导致分类精度下降。为解决该问题，本研究提出了一种基于MSE-Mamba神经网络的稀疏点云分类方法。通过将MSE-Mamba模块的高效序列处理优势与全局注意力Transformer模块的全局建模能力相结合，实现了稀疏点云的高精度分类。在ModelNet40、ScanObjectNN以及自建3D成像LiDAR点云数据集上的广泛实验结果表明，该方法在各类场景中均展现出优异的点云分类性能，总体准确度相比当前主流方法有所提升。该方法为稀疏点云的高精度分类提供了新途径，对推动LiDAR技术在复杂场景中的实际应用具有重要意义。

作为环境感知与目标探测的核心传感器，激光雷达通过发射高能脉冲光波并计算往返时间差实现精确测距，在智能感知系统中不可或缺。其能够同步采集目标距离、角度和反射强度以构建高精度3D点云模型，并广泛应用于精确目标探测、多目标分类识别及实时目标跟踪等关键任务。然而，复杂环境下的诸多因素导致目标回波信号呈现稀疏性，进而造成获取的三维点云稀疏。这种稀疏性会导致目标几何结构和局部细节等关键判别特征丢失，极大降低了点云目标分类的整体精度，成为提升复杂环境下目标感知与决策效率的核心瓶颈。

目前针对稀疏点云分类的优化方法主要分为高效序列建模和全局依赖建模两大技术方向。在高效序列建模方面，基于选择性状态空间模型（SSM）的Mamba模型采用线性复杂度（O(N_d)）序列处理机制，能够有效捕获长距离依赖，但在点云处理中，一维序列建模难以完整保留三维局部精细几何结构，且缺乏跨尺度特征聚合机制。在全局依赖建模方面，Transformer利用多头自注意力机制突破传统局部建模局限，但其计算复杂度与点数呈二次关系（O(N²_d)），处理大规模稀疏点云时计算与内存成本过高，难以满足实时应用需求。为突破上述技术瓶颈，研究人员提出了一种基于MSE-Mamba神经网络的稀疏点云分类方法，该方法在尺度空间提取局部特征并基于注意力机制全局整合高维特征，实现了稀疏点云的高精度高效分类。该研究对推动LiDAR技术在复杂场景中的实际工程应用具有重要意义，论文发表在《Electronics》。

为开展此项研究，研究人员主要采用了以下关键技术方法：首先设计了多尺度点云自适应分组策略，通过最远点采样（FPS）筛选核心点集并构建多尺度KNN邻域，结合邻域坐标中心化消除全局位置干扰；其次构建了多尺度特征提取Mamba模块（MSE-Mamba），结合KNorm邻域自适应归一化与KPool指数加权聚合机制增强局部几何特征；最后设计了基于全局注意力机制的Transformer模块（GA-Transformer），通过可学习位置嵌入与多头自注意力机制建模长距离语义关联。实验基于PyTorch 2.1.0框架及NVIDIA RTX 4070Ti Super显卡完成训练，并在公开数据集ModelNet40、ScanObjectNN以及基于Ruby Plus 128线机械LiDAR采集并半自动标注的自建3D成像LiDAR点云数据集上进行验证。

参数设置消融实验通过研究不同尺度层级与锚点数量对分类性能的影响得出结论：多尺度特征融合是提升模型分类性能的关键，四尺度融合时模型取得最优性能；锚点数量K_a=16是兼顾性能与计算效率的最佳选择，既能充分覆盖点云关键区域又可避免冗余计算。

模块消融实验通过对比各模块变体的性能差异得出结论：MSE-Mamba特征编码模块与GA-Transformer模块均带来显著的性能增益，联合混合架构在保持线性计算复杂度O(N_d)的同时，有效弥补了纯Mamba架构缺乏全局相关性建模及纯Transformer架构局部稀疏特征提取能力不足的固有缺陷。

点云分类有效性实验通过在ModelNet40数据集上进行测试得出结论：MSE-Mamba取得了94.2%的总体准确度，相比依赖局部特征聚合的传统方法能更有效捕获长距离依赖，相比Transformer方法在保持高精度的同时避免了二次计算复杂度，模型参数量优化至16.9M。

点云分类鲁棒性实验通过在ScanObjectNN数据集的纯物体、含背景及旋转缩放等变体子集上进行测试得出结论：MSE-Mamba在所有子集中均取得最优结果，其在面对复杂背景和噪声干扰时展现出更强的鲁棒性，并能更高效地处理真实扫描数据中的不规则采样与局部遗漏。

子采样条件下点云分类验证实验通过在自建3D成像LiDAR点云数据集及ModelNet40数据集上进行不同稀疏度测试得出结论：MSE-Mamba在真实场景多类别目标分类中取得96.82%的总体准确度，显著优于多种主流方法；当输入点数降至N=64和N=32时，依然分别保持92.7%和92.1%的高准确度，在整个采样测试中保持最低精度衰减率，充分验证了其在大量点云缺失及极端稀疏条件下仍能提取稳定有效判别特征的能力。

研究结论部分指出，针对现有方法在处理稀疏点云时存在局部特征捕获不足和全局关联建模效率低的问题，提出了一种基于MSE-Mamba的稀疏点云分类方法。该方法通过多尺度点云自适应分组、MSE-Mamba局部特征编码与GA-Transformer全局特征编码，实现了局部几何特征与全局语义编码的关联，完成稀疏点云高精度分类。实验验证表明，该方法在多个数据集上表现出优秀的分类稳定性、泛化能力与鲁棒性，不仅在稀疏条件下仍能准确挖掘核心判别特征，还突破了传统方法在稀疏点云处理中的局限，为稀疏点云分类提供了高精度、高鲁棒性的技术支持。