PCT_Jittor

A Jittor implementation of Point Cloud Transformer (PCT) for ModelNet40 classification.

项目简介

本项目是基于 Jittor 深度学习框架实现的 Point Cloud Transformer (PCT)，用于 ModelNet40 三维形状分类任务。PCT 是一种面向点云数据的分类网络，通过自注意力机制建模点与点之间的全局关系，实现高精度的三维点云分类。

主要特性

• 完整的 PCT 网络实现，包含 4 个自注意力模块
• 基于 Jittor 框架，支持高效训练和推理
• 包含数据增强策略（随机旋转、缩放、抖动等）
• 提供完整的训练、评估和推理流程

环境要求

• Python 3.7+
• Jittor 1.3+
• NumPy
• Linux/Windows (WSL) 操作系统
• C++ 编译器 (g++ 或 clang)

安装指南

1. 安装 Jittor：

   pip install jittor

详细安装教程请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/

2. 克隆仓库：

   git clone https://gitlink.org.cn/paddioven/pct-jittor.git
   cd pct-jittor

3. 下载数据集： 将 ModelNet40 数据集下载并解压到 data/ 文件夹下，包括：

• train_points.npy
• train_labels.npy
• test_points.npy
• categories.txt

使用方法

训练模型

python pct.py --epochs 100 --batch_size 32 --lr 0.001

主要参数说明：

• --epochs: 训练轮数
• --batch_size: 批次大小
• --lr: 学习率
• --optimizer: 优化器（可选 adam/sgd）
• --n_points: 输入点数量（默认 1024）
• --tta_num: 测试时增强次数

推理与预测

训练完成后，程序会自动生成 result.json 文件，包含测试集的预测结果。

网络架构

PCT 网络结构包括：

1. 特征嵌入：使用两个 Conv1d 层将 3D 坐标映射到高维特征空间
2. 自注意力模块：4 个 SA_Layer，用于建模点云的全局关系
3. 特征融合：拼接 4 个自注意力模块的输出
4. 全局池化：最大池化获取全局特征向量
5. 分类头：3 层全连接层完成 40 类分类

项目结构

pct-jittor/
├── pct.py          # 主程序文件
├── README.md       # 项目说明文档
├── .gitignore      # Git忽略文件
└── result.json     # 测试集预测结果

许可证

本项目仅供学习和研究使用。