ModelNet40 点云分类 - PCT 实现

基于 Jittor 框架的点云 Transformer 分类实现，在 ModelNet40 数据集上完成三维点云形状分类任务。

---

项目概述

本项目基于 PCT（Point Cloud Transformer） 模型，实现了点云形状分类任务。 在 ModelNet40 数据集上，通过自注意力机制捕捉点云局部与全局特征，完成 40 类物体的分类。

---

主要方法说明

1. 核心模型：PCT（Point Cloud Transformer）

• 核心思想：将 Transformer 架构引入点云处理，通过自注意力机制建模点与点之间的关系，捕捉点云的几何特征。
• 关键模块：
  • 点嵌入层：将无序点云映射到高维特征空间。
  • 自注意力层：通过多头注意力计算点之间的关系权重，实现全局特征建模。
  • 池化层：聚合全局特征，用于最终分类。

2. 数据集与预处理

• 使用 ModelNet40 数据集，包含 40 类常见三维物体。
• 预处理流程：
  • 点云下采样至固定点数（本项目为 1024 点）。
  • 标准化点云坐标。
  • 数据增强：随机旋转、扰动、缩放，提升模型泛化能力。

3. 训练与优化

• 损失函数：交叉熵损失。
• 优化器：SGD，配合学习率衰减策略。
• 训练设置：
  • Batch Size: 32
  • 初始学习率: 0.01
  • 训练轮数: 200（可按需调整）

---

运行方式

pip install jittor
python pct.py

输出说明

模型训练过程中会自动打印Loss和准确率,训练结束后生成result.json和pct_model.pkl