pct

PCT - Jittor

基于 Jittor 实现的 Point Cloud Transformer (PCT) 点云分类模型，用于 ModelNet40 三维形状分类任务。

本项目为清华大学计算机系图形学实验 PA3 作业实现。

---

项目简介

• 项目名称：PCT_jittor
• 项目简介：A Jittor implementation of Point Cloud Transformer (PCT) for ModelNet40 3D shape classification.
• 框架：Jittor
• 任务：三维点云分类（ModelNet40，40 类）
• 输入：B×N×3 点云坐标
• 输出：40 类预测概率分布

---

环境依赖

jittor
numpy
tqdm
json

安装 Jittor：

pip install -U jittor

---

文件结构

pct.py                # 主程序：数据集、模型、训练、推理
data/
  train_points.npy    # 训练集点云
  train_labels.npy    # 训练集标签
  test_points.npy     # 测试集点云
pct_model.pkl         # 训练好的模型权重
result.json           # 测试集预测结果（编号→类别）
README.md
.gitignore

---

模型架构（PCT）

1. 输入嵌入

   • 两层 Conv1d + BN + ReLU，将 3 维坐标映射到 128 维逐点特征

2. 自注意力模块（SA_Layer）

   • Q/K/V 线性投影 + 注意力权重 + 残差连接 + BN/ReLU
   • 共堆叠 4 层自注意力，捕获点云全局几何关系

3. 多尺度特征融合

   • 拼接 4 层注意力输出：B×512×N
   • Conv1d 升维到 1024 维

4. 全局池化

   • 最大池化得到 1024 维全局特征

5. 分类头

   • FC(1024→512) → Dropout → BN → ReLU
   • FC(512→256) → Dropout → BN → ReLU
   • FC(256→40)

---

训练配置

• 优化器：SGD(lr=0.1, momentum=0.9, weight_decay=1e-4)
• 学习率调度：CosineAnnealingLR（余弦退火）
• 损失函数：交叉熵损失 CrossEntropyLoss
• 批次大小：32
• 点数：1024
• 轮数：100
• 数据增强：绕 Y 轴随机旋转 + 高斯噪声

---

运行方式

训练 + 测试一键运行

python pct.py

执行后会自动：

1. 加载训练集并训练 PCT 模型
2. 每轮输出 loss / train_acc
3. 保存最终模型到 pct_model.pkl
4. 在测试集上推理并保存结果到 result.json

---

输出说明

• pct_model.pkl：模型权重
• result.json：测试集预测字典

  {
    "0": 23,
    "1": 5,
    "2": 30,
    ...
  }

---

实验提交内容

1. 源码：pct.py
2. 模型：pct_model.pkl
3. 预测结果：result.json
4. 实验报告：REPORT.pdf
5. Gitlink 开源仓库截图 + 链接