العمل الأخير أظهر نتائج تعرف جيدة في التعرف على الأشياء ثلاثية الأبعاد باستخدام شبكات الvolution ثلاثية الأبعاد. في هذا البحث، نوضح أن اتجاه الكائن يلعب دورًا مهمًا في التعرف ثلاثي الأبعاد. وبشكل أكثر تحديدًا، ندعي أن الكائنات تولد خصائص مختلفة في الشبكة عند الدوران. لذلك، نتعامل مع مهمة تصنيف المستوى الفئوي كمشكلة متعددة المهام، حيث يتم تدريب الشبكة على التنبؤ بوضعية الكائن بالإضافة إلى العلامة الفئوية كمهمة موازية. نوضح أن هذا يؤدي إلى تحسينات كبيرة في نتائج التصنيف. قمنا باختبار الهيكل المقترح لدينا على عدة مجموعات بيانات تمثل مصادر مختلفة للبيانات ثلاثية الأبعاد: بيانات LiDAR (ليدار)، ونماذج CAD (كاد)، وصور RGB-D (آر جي بي دي). نقدم أفضل النتائج الحالية في التصنيف بالإضافة إلى تحسينات كبيرة في الدقة والسرعة مقارنة بالنموذج الأساسي في الكشف ثلاثي الأبعاد.