تحليل السحابة النقطية يعتبر تحديًا كبيرًا، حيث يصعب التقاط الشكل المُلمَح إليه في النقاط غير المنتظمة. في هذا البحث، نقترح RS-CNN، أي شبكة عصبية تقنية التعلم العميقة للعلاقات والأشكال (Relation-Shape Convolutional Neural Network)، والتي تمتد من شبكات الـ CNN ذات الشبكة المنتظمة إلى تكوين غير منتظم لتحليل السحابة النقطية. المفتاح في RS-CNN هو التعلم من العلاقات، أي قيود التوبولوجيا الهندسية بين النقاط. بصفة خاصة، يتم إجبار وزن الإشتقاق (convolutional weight) للمجموعة النقطية المحلية على التعلم من تعبيرات العلاقات العليا التي تم تعريفها مسبقًا، بين نقطة مُختارة من هذه المجموعة والنقاط الأخرى. بهذه الطريقة، يمكن الحصول على تمثيل محلي استقرائي مع تحليل صريح لمخطط النقاط المكاني، مما يؤدي إلى زيادة الوعي بالشكل والمتانة. باستخدام هذا الإشتقاق كعامل أساسي، يمكن تطوير RS-CNN وهي بنية هرمية لتحقيق التعلم الواعي بالسياق والشكل لتحليل السحابة النقطية. أثبتت التجارب الواسعة على مقاييس صعبة عبر ثلاث مهام أن RS-CNN تحقق أفضل المستويات الحالية (state of the arts).