نقدم إطارًا بسيطًا وشاملًا لتعلم الميزات من السحابات النقطية. يكمن السر وراء نجاح الشبكات العصبية التلافيفية (CNNs) في عامل التلافيف، الذي يتيح الاستفادة من الترابط المكاني المحلي في البيانات الممثلة بكثافة على الشبكات (مثل الصور). ومع ذلك، فإن السحابات النقطية غير منتظمة وغير مرتبة، لذا فإن تطبيق التلافيف مباشرةً على النواة مقابل الميزات المرتبطة بالنقط، يؤدي إلى فقدان معلومات الشكل وتقلب النتائج حسب ترتيب النقاط. لمعالجة هذه المشكلات، نقترح تعلم تحويل $\mathcal{X}$X من النقاط المدخلة، بهدف تعزيز حالتين في آنٍ واحد. الأولى هي وزن الميزات المرتبطة بالنقط، والثانية هي إعادة ترتيب النقاط إلى ترتيب خفي محتمل، وقد يكون قياسيًا. تُطبَّق بعدها عمليات الضرب الطرفي والجمع المميزة لعامل التلافيف التقليدي على الميزات بعد تحويل $\mathcal{X}$X. يُعدّ هذا الأسلوب تعميمًا للشبكات العصبية التلافيفية التقليدية لتعلم الميزات من السحابات النقطية، ولذلك نسميه PointCNN. تُظهر التجارب أن PointCNN يحقق أداءً مماثلاً أو أفضل من الطرق الأفضل في مجالها على عدة مجموعات بيانات معيارية صعبة ومهمات متعددة.