2020年10月10日，第二届清华大学计图深度学习研讨会成功举办，研讨会上，计图还发布了检测与分割模型库、点云模型库和可微渲染功能。
点云数据的获取与处理是图形学和三维视觉中的重要问题，在测绘、自动驾驶等方面有着广泛的应用。由于其巨大的应用场景，近年来，点云处理引起了相关技术人员的广泛关注，涌现了一批非常出色的工作。图1是点云数据及其分割的示例。
图1 a. 点云数据的示例
图1 b. 点云分割的示例
计图框架本次发布的点云模型库包括几种最有影响力的模型：PointNet、PointNet++、PointCNN、DGCNN 和PointConv ，支持分类和分割。
我们在ModelNet40 数据集上面进行了分类实验，实验结果表明，我们在效果上已经达到了论文中的点数，甚至超过论文中的性能(见表1)，这是因为Jittor在实现中添加了一些论文中没有使用的数据增强方式。
表1 ModelNet40 数据集上的分类结果
| Model | Input | Overall accuracy | Paper Report |
|---|---|---|---|
| PointNet | 1024 xyz | 89.6 | 89.2 |
| PointNet ++ | 4096 xyz normal | 92.3 | 91.9 |
| PointCNN | 1024 xyz | 92.6 | 92.5 |
| DGCNN | 1024 xyz | 92.9 | 92.9 |
| PointConv | 1024 xyz normal | 92.4 | 92.5 |
同时，在训练速度上，Jittor与Pytorch 相比有着明显的提升，其中 PointNet ++、PointCNN和 PointConv 在训练速度上超出 pytorch一倍以上，具体的时间对比见图2。
图2 ModelNet40 上的训练时间的对比
另外，我们也在ShapeNet 上面进行了分割的实验。在训练速度上，Jittor与Pytorch 相比，也得到了提升，其中PointNet++提升85%。图3是一些点云模型的分割效果。
图3 点云分割的效果
欢迎在计图官网或GitHub上下载Jittor的点云模型库：
https://cg.cs.tsinghua.edu.cn/jittor/
利用Jittor统一计算图的优势，可以很方便地调整计算图，针对您的研究，优化或设计新模型，开展高水平研究！
使用计图点云库有任何问题，可以在Github上提交issue，或加入如下计图-点云微信群，和计图团队实时交流和讨论。