计图挑战赛赛道二热身赛 —— PCT 点云分类（ModelNet40）

使用 Jittor 训练 PCT（Point Cloud Transformer）模型，在 ModelNet40 三维形状数据集上完成点云分类任务。

结果

指标	数值
内部验证集 Best Val Acc	86.60%（第 171 / 200 epoch）
通过线	80.00%

题面说明 baseline 准确率”在 80% 通过线附近浮动”，本仓库在官方示例基础上做了三处改动，把结果稳定推高到通过线以上约 6.6 个百分点：

内部验证集：从 9843 个训练样本里按类别比例分层划出 10% 作验证集（sklearn.model_selection.train_test_split(..., stratify=labels)），而不是简单随机切片——40 个类别中样本数最少的只有 64 个，随机切片可能导致稀有类别在验证集里样本过少。
加强数据增强：在官方示例的随机绕 Y 轴旋转基础上，新增随机各向异性缩放（0.8~1.25 倍）和随机高斯抖动（std=0.01，裁剪至 ±0.05）。
验证集最优 checkpoint：训练过程中持续跟踪每个 epoch 的验证集准确率，最终预测使用验证集最优权重，而不是训练结束时最后一轮的权重（官方示例默认用最后一轮）。

模型与训练配置

PCT：4 层 Self-Attention（SA_Layer，channels=128）+ 特征融合卷积 + 3 层 FC 分类头，参数量 1.37M
输入点数：每样本采样 1024 点（原始点云 2048 点）
优化器：SGD(lr=0.01, momentum=0.9, weight_decay=1e-4) + 余弦退火，训练 200 epoch，batch_size=32

环境

操作系统：Ubuntu 22.04.5 LTS
Python：3.10.12（venv）
GPU：NVIDIA RTX 4090（CUDA 12.2，由 Jittor 自动下载运行时）
Jittor：1.3.11.0，安装自 pip install git+https://github.com/Jittor/jittor.git
完整依赖版本见 requirements.txt（pip freeze 导出）

复现步骤

# 1. 创建虚拟环境并安装 Jittor
python3 -m venv jittor-venv
source jittor-venv/bin/activate
pip install git+https://github.com/Jittor/jittor.git
python -m jittor.test.test_example

# 2. 安装其余依赖（本题不需要 JittorGeometric）
pip install numpy scikit-learn

# 3. 放置数据集
# 将赛事提供的 ModelNet40 点云数据解压到本仓库的 data/ 目录下：
#   data/train_points.npy   (9843, 2048, 3)
#   data/train_labels.npy   (9843,)
#   data/test_points.npy    (2468, 2048, 3)
#   data/categories.txt

# 4. 训练并生成结果
python pct.py --epochs 200

单个 epoch（1024 点、batch=32，RTX 4090）约 16-20 秒，200 epoch 全程约 55 分钟。成功标志：日志中 Val Acc 稳定在 80% 以上，脚本末尾打印”自校验通过”，并生成 result.json（2468 个 key，编号 “0”~~“2467”，取值 0~~39）。

数据集

训练集 9843 个样本 / 测试集 2468 个样本，每个样本 2048 个三维点（已归一化到单位球）
40 个类别（飞机、椅子、桌子等常见物体），类别分布不均衡（每类 64~889 个样本）
测试集不提供标签

提交文件

result.zip 顶层直接包含 result.json，不含子文件夹、不含代码（按本题赛制要求）。

License

MIT