基于 Jittor 的 Point Cloud Transformer 点云分类

1. 项目简介

本项目为《计算机图形学基础》课程作业，基于Jittor 深度学习框架实现了一个用于三维点云分类的Point Cloud Transformer（PCT）模型，并在数据集ModelNet40上完成训练与预测任务。本项目采用 PCT 网络结构，通过一维卷积提取点级特征，并利用自注意力机制建模点与点之间的全局关系，最终通过全局池化和全连接分类器输出 ModelNet40 中 40 个类别的预测结果。

2. 项目特点

课程给出的样例代码主要由如下特点：

• 实现了基于自注意力机制的 Point Cloud Transformer（PCT） 网络；
• 训练过程中使用绕 Y 轴随机旋转的点云数据增强；
• 使用交叉熵损失函数进行多分类训练；
• 使用 SGD 优化器和余弦退火学习率调度策略。

本项目针对于课程给出的样例代码做出了如下修改：

• 数据增强方面在绕Y轴旋转操作外添加了缩放和微小扰动；
• 将SGD修改为Adam方法，同时降低学习率保证收敛。

3. 数据集说明

本项目使用的数据集为 ModelNet40 点云分类数据集。该数据集包含 40 类常见三维物体，每个样本由若干个三维点组成。本课程作业使用的数据文件主要包括：

train_points.npy    # 训练集点云数据
train_labels.npy    # 训练集类别标签
test_points.npy     # 测试集点云数据

数据集下载链接：https://cloud.tsinghua.edu.cn/d/00e5101bd08347a5a43e/

4. 输出说明

在项目根目录下运行：

python pct.py

程序会自动读取 data/ 文件夹下的训练数据，并开始训练 PCT 分类模型。训练完成后，模型参数会保存为：

pct_model.pkl

程序还会使用训练好的模型对测试集点云进行预测，并生成预测文件：

result.json

其中result.json 的基本格式为：

{
  "0": 预测类别编号,
  "1": 预测类别编号,
  "2": 预测类别编号
}