PCT_jittor

本项目是图形学实验 PA3：Point Cloud Transformer 的 Jittor 实现，用于在 ModelNet40 点云数据集上完成三维形状分类任务。

模型输入为点云数据，输出为 ModelNet40 的 40 类分类 logits。最终生成的 result.json 已在头歌 Educoder Jittor-7 平台通过评测。

项目文件

• pct.py：包含数据读取、模型定义、训练、验证、推理和结果导出流程。
• pct_model.pkl：训练完成后保存的模型参数。
• result.json：测试集预测结果文件，用于提交评测。
• PA3_README.pdf：实验说明文档。

ModelNet40 的数据文件体积较大，未放入仓库。运行时请将数据放到 data/ 目录下。

数据目录格式如下：

data/
  train_points.npy
  train_labels.npy
  test_points.npy

环境要求

本项目基于 Jittor 框架实现。Jittor 支持 Linux 和 Windows/WSL，运行前需要准备：

• Python
• Jittor
• NumPy
• C++ 编译器，例如 g++ 或 clang

Jittor 安装教程：

https://cg.cs.tsinghua.edu.cn/jittor/download/

运行方式

训练模型并导出测试集预测结果：

python pct.py

使用已训练好的模型进行推理：

python pct.py --eval_only --model_path pct_model.pkl --result_path result.json

CPU 快速测试命令：

python pct.py --epochs 1 --batch_size 4 --n_points 128 --num_workers 0

常用参数说明：

• --data_dir：数据集目录，默认为 ./data。
• --model：模型类型，可选 pct、pointnet、pointnet_stn。
• --n_points：每个样本采样的点数，默认为 1024。
• --batch_size：批大小，默认为 32。
• --epochs：训练轮数，默认为 200。
• --use_cuda：是否使用 CUDA，0 表示不使用，1 表示使用。
• --model_path：模型参数保存或读取路径，默认为 pct_model.pkl。
• --result_path：预测结果保存路径，默认为 result.json。

模型结构

PCT 模型接收形状为 (B, 3, N) 的点云输入，并输出 40 类分类结果。主要结构包括：

• 两层逐点 Conv1d 特征嵌入；
• 四个自注意力模块，用于建模点与点之间的全局关系；
• 多层特征拼接与融合；
• 全局最大池化；
• 全连接分类头；
• 交叉熵分类损失；
• SGD 优化器和余弦退火学习率调度。

评测结果

最终提交的 result.json 已通过头歌 Educoder Jittor-7 平台评测。

评测分数：

0.8266

评测编号：

2026051510143346343746