PCT_jittor

基于 Jittor 框架的 Point Cloud Transformer（PCT）实现，用于 ModelNet40 三维点云分类任务。

项目简介

本项目基于 Jittor 深度学习框架实现了 Point Cloud Transformer（PCT） 模型。PCT 将 Transformer 的自注意力机制应用于三维点云数据，在 ModelNet40 分类基准上取得了优异的性能。

• 论文： PCT: Point Cloud Transformer (Guo et al., 2021) — [arXiv]
• 框架： Jittor
• 任务： ModelNet40 三维形状分类（40 个类别）

模型架构

PCT 将 Transformer 架构扩展到不规则点云上，模型由以下部分组成：

• 两层 Conv1d 进行输入嵌入（3 → 128 通道）
• 四个堆叠的 Self-Attention（SA）层用于特征学习
• 跨 SA 层的特征拼接（跳跃连接）
• 全局最大池化聚合
• 三层全连接网络进行分类（1024 → 512 → 256 → 40）

数据集

ModelNet40 数据集包含 12,311 个 CAD 模型，涵盖 40 个物体类别：

• 训练集：9,843 个样本
• 测试集：2,468 个样本
• 每个样本表示为包含 2,048 个点的点云（x, y, z 坐标）

请将数据集放置于 data/ 目录下：

data/
├── train_points.npy    # 训练集点云坐标
├── train_labels.npy    # 训练集标签
└── test_points.npy     # 测试集点云坐标（无标签）

数据下载链接：ModelNet40 数据集（请自行下载并放置于 data/ 目录）

环境配置

pip install jittor

依赖项：

• Python >= 3.7
• Jittor
• NumPy

使用方法

训练模型

python pct.py --data_dir ./data --n_points 1024 --batch_size 32 --epochs 200 --lr 0.01

参数说明

参数	默认值	说明
--data_dir	./data	数据集路径
--n_points	1024	输入点云采样点数
--batch_size	32	批次大小
--epochs	200	训练轮数
--lr	0.01	初始学习率
--seed	42	随机种子

输出文件

• pct_model.pkl — 训练好的模型权重
• result.json — 测试集预测结果（样本编号 → 预测类别）

实验结果

指标	数值
总体准确率	详见 result.json
模型参数量	~2.9M

项目结构

PCT_jittor/
├── pct.py             # 主程序（数据集、模型、训练、推理）
├── result.json        # 测试集预测结果
├── README.md          # 项目说明文档
├── .gitignore         # Git 忽略规则
└── report.md          # 实验报告

许可证

本项目为课程作业，仅供学习使用。

参考文献

• Guo, M. H., Cai, J. X., Liu, Z. N., Mu, T. J., Martin, R. R., & Hu, S. M. (2021). PCT: Point cloud transformer. Computational Visual Media, 7, 187-199.
• Jittor 官方文档
• ModelNet40 数据集