PCT (Point Cloud Transformer) for ModelNet40 Classification

本项目基于 Jittor 深度学习框架实现了 PCT (Point Cloud Transformer) 模型，用于 ModelNet40 数据集上的三维形状分类任务。

1. 环境安装

• Python 版本: >= 3.7
• 依赖框架: Jittor

安装依赖：

pip install -r requirements.txt

2. 数据准备

本项目使用预处理好的 ModelNet40 点云数据（npy 格式）。请确保数据文件放置在 data/ 目录下。

目录结构应如下所示：

data/
├── train_points.npy   # 训练集点云 (9843, 2048, 3)
├── train_labels.npy   # 训练集标签 (9843,)
├── test_points.npy    # 测试集点云 (2468, 2048, 3)
└── categories.txt     # 40 个类别名称

数据根目录可以通过命令行参数 --data_dir 进行配置，默认为 ./data。

3. 训练

使用 scripts/train.py 脚本进行模型训练。可以通过命令行参数配置训练超参数。

一条可直接运行的训练命令：

python scripts/train.py --data_dir ./data --n_points 2048 --batch_size 32 --epochs 200 --lr 0.1 --seed 42 --output_dir ./outputs

训练过程中，模型权重将保存在 outputs/ 目录下（如 pct_model_latest.pkl 和 pct_model_best.pkl）。同时，实际使用的配置会保存到 outputs/config.json，运行命令保存到 outputs/command.txt，日志保存到 outputs/train.log。

4. 评测/推理

使用 scripts/eval.py 脚本对测试集进行推理，并生成预测结果文件。

一条可直接运行的评测命令（请将 --ckpt_path 替换为实际的权重路径）：

python scripts/eval.py --data_dir ./data --n_points 2048 --batch_size 32 --ckpt_path ./outputs/pct_model_best.pkl --output_file result.json --output_dir ./outputs

运行完成后，将在当前目录下生成 result.json 文件，包含测试集样本的预测分类。评测日志会保存到 outputs/eval.log。

5. 结果说明

• 评测指标: Accuracy (准确率)，即预测正确的样本数占总测试样本数的比例。
• 优化说明: 本项目在 Baseline 基础上增加了数据增强（随机旋转、缩放、平移、抖动），将采样点数提升至 2048，并使用了 Cosine Annealing 学习率调度策略，在 Self-Attention 层中加入了缩放因子以稳定训练。
• 预期结果: 在测试集上可达到约 81.93% 的准确率。

6. 目录结构

.
├── configs/          # 配置文件目录 (预留)
├── data/             # 数据集目录
├── scripts/          # 运行脚本
│   ├── train.py      # 训练脚本
│   └── eval.py       # 评测/推理脚本
├── src/              # 核心代码
│   ├── dataset.py    # 数据集加载
│   ├── model.py      # PCT 模型定义
│   └── scheduler.py  # 学习率调度器
├── outputs/          # 训练输出目录 (权重、日志等，不提交)
├── README.md         # 项目说明文档
├── requirements.txt  # 依赖列表
├── LICENSE           # 开源许可证
└── .gitignore        # Git 忽略配置