تُعدّ السحابة النقطية نوعًا مهمًا من هياكل البيانات الهندسية. وبسبب تركيبها غير المنتظم، يقوم معظم الباحثين بتحويل هذه البيانات إلى شبكات ثلاثية الأبعاد من المكعبات (فوكسلز) منتظمة أو إلى مجموعات من الصور. لكن هذا التحويل يُحدث تضخمًا غير ضروري في حجم البيانات ويؤدي إلى مشكلات. في هذه الورقة، نصمم نوعًا جديدًا من الشبكات العصبية التي تستهلك السحابة النقطية مباشرة، مع احترام دقيق لخاصية التحويل المتماثل (الاستقلال عن التبديل) للنقاط في المدخلات. تُسمّى هذه الشبكة "بواينيت" (PointNet)، وتوفر بنية موحدة تُطبّق على تطبيقات متنوعة تشمل تصنيف الكائنات، وتقسيم الأجزاء، وتحليل المعنى السياقي للمناظر. وعلى الرغم من بساطتها، فإن بواينيت فعّالة جدًا وناجحة للغاية. من الناحية التجريبية، تُظهر أداءً قويًا يُوازي أو حتى يتفوق على أحدث النماذج المطورة. ومن الناحية النظرية، نقدّم تحليلًا يُساعد في فهم ما تعلّمته الشبكة، ولماذا تكون الشبكة قوية أمام الاضطرابات والتلف في المدخلات.