قد تقدم التعلم العميق باستخدام البيانات ثلاثية الأبعاد بشكل كبير منذ تقديم شبكات العصبونات المتكررة التي يمكنها التعامل مع غموض ترتيب النقاط في بيانات السحابة النقطية. بينما تمكنت الطرق السابقة من تحقيق دقة جيدة في مهام مختلفة لفهم المشهد، إلا أنها غالباً ما تعاني من سرعة تدريب منخفضة وبنية شبكة معقدة. في هذا البحث، نعالج هذه المشكلات بمقترحنا لعملية التكرار الثابتة للتبديل (permutation invariant convolution) بكفاءة من النهاية إلى النهاية لتعلم السحابة النقطية. يستخدم مشغل التكرار البسيط والفعال الذي أطلقنا عليه اسم ShellConv الإحصاءات المستخرجة من القشور الكروية المركزة لتحديد الخصائص الممثلة وحل مشكلة غموض ترتيب النقاط، مما يسمح للتكسير التقليدي بالعمل على هذه الخصائص. بناءً على ShellConv، قمنا ببناء شبكة عصبية كفوءة أسميناها ShellNet لاستهلاك السحب النقطية مباشرة مع حقول استقبال أكبر بينما نحافظ على عدد طبقات أقل. نوضح فعالية ShellNet بإنتاج نتائج رائدة في تصنيف الأشياء، تقسيم أجزاء الأشياء، وتقسيم المشهد الدلالي بينما نحافظ على سرعة عالية أثناء التدريب.