PointCNN: الت". 请注意，这里“$\mathcal{X}$-Transformed”中的符号$\mathcal{X}$在阿拉伯语中通常会保持原样，不会被翻译。因此，完整的翻译如下： PointCNN: الت". 为了更准确地表达原文的意思，建议使用以下翻译： PointCNN: التجميع على النقاط المحولة بـ $\mathcal{X}$

نقدم إطارًا بسيطًا وعامًا لتعلم الخصائص من السحب النقطية. المفتاح لنجاح شبكات النيورونات التلافيفية (CNNs) هو مؤثر التلفيف الذي يتميز بقدرته على استغلال الارتباط المكاني المحلي في البيانات التي تمثل بكثافة في الشبكات (مثل الصور). ومع ذلك، فإن السحب النقطية غير منتظمة وغير مرتبة، وبالتالي فإن تطبيق التلفيف المباشر للنواة على الخصائص المرتبطة بالنقاط سيؤدي إلى فقدان معلومات الشكل وتباين ترتيب النقاط. لحل هذه المشاكل، نقترح تعلم تحويل $\mathcal{X}$ من النقاط المدخلة، لتحقيق سببين بشكل متزامن. الأول هو وزن الخصائص المدخلة المرتبطة بالنقاط، والثاني هو إعادة ترتيب النقاط إلى ترتيب خفي محتمل يكون قياسيًا. يتم بعد ذلك تطبيق عمليات الضرب والجمع العنصرية للمؤثر التلفيفي التقليدي على الخصائص المحولة بواسطة $\mathcal{X}$. الطريقة المقترحة هي توسيع لشبكات النيورونات التلافيفية التقليدية لتعلم الخصائص من السحب النقطية، ولذلك نطلق عليها اسم PointCNN. أظهرت التجارب أن PointCNN تحقق أداءً مماثلاً أو أفضل من أفضل الأساليب الحالية على عدة مجموعات بيانات ومهام صعبة.请注意，对于公式中的符号，如$\mathcal{X}$，通常在阿拉伯语科技文献中会保留其原始形式。因此，在翻译时也保持了这些符号的原样。