Pointcept/Pointcept项目中PTV3模型在S3DIS数据集上的训练稳定性分析

背景介绍

Pointcept是一个开源的3D点云处理项目，其中PointTransformerV3（PTV3）是其核心模型之一。S3DIS（Stanford Large-Scale 3D Indoor Spaces Dataset）是3D语义分割领域的重要基准数据集，包含室内场景的点云数据。近期有开发者反馈在S3DIS数据集上训练PTV3模型时遇到了性能不稳定和特定类别（如beam类）预测结果异常的问题。

问题现象

开发者在复现PTV3模型时发现：

1. 整体mIoU指标低于论文报告值（71.13 vs 73.4）
2. beam类别的IoU和准确率均为0
3. 部分类别如column、window的表现相对较差

技术分析

训练不稳定性根源

1. 数据规模限制：S3DIS数据集相对较小，模型容易过拟合
2. 类别不平衡：beam等结构在室内场景中出现频率较低
3. 初始化敏感性：Transformer架构对初始权重较为敏感

解决方案验证

项目团队通过实验发现：

• 多次训练（≥3次）后选择最佳结果可显著提升性能
• 使用预训练权重（PTv3 + PPT配置）可提高训练稳定性
• 特定类别（如beam）的零预测表明可能需要调整损失函数或采样策略

实践建议

1. 训练策略：

   • 建议进行至少3次完整训练周期
   • 使用不同的随机种子初始化
   • 保存多个checkpoint进行模型选择

2. 数据层面：

   • 对低频类别采用过采样策略
   • 考虑使用更强的数据增强

3. 模型层面：

   • 优先尝试预训练配置
   • 可适当调整类别权重损失函数

扩展思考

该现象揭示了小规模3D点云数据集训练的共性挑战：

• 相比2D图像，3D点云的数据增强空间有限
• 室内场景的结构性特征导致某些类别天然难以学习
• Transformer架构在小数据场景需要特别的正则化策略

结论

PTV3在S3DIS上的性能波动是多种因素共同作用的结果。通过合理的训练策略和配置调整，开发者可以稳定地复现论文报告的性能指标。该案例也为3D点云模型在小数据集上的训练提供了有价值的实践经验。