كما أن التصنيف يُعد المهمة الأساسية في تحليل السحاب النقطي، فهو أساسي ولكنه دائمًا ما يُشكل تحديًا. ولحل بعض المشكلات غير المحلولة في الطرق الحالية، نقترح شبكة تُدرك الخصائص الهندسية لسحابات النقط بهدف تمثيل أفضل. لتحقيق ذلك، من جهة، نُغْنِي معلومات الهندسة للنقاط في الفضاء ثلاثي الأبعاد منخفض المستوى بشكل صريح. ومن جهة أخرى، نطبّق هياكل تعتمد على الشبكات العصبية التلافيفية (CNN) في فضاءات الميزات عالية المستوى لتعلم السياق الهندسي المحلي بشكل غير صريح. وبشكل خاص، نستفيد من فكرة هيكل التغذية الراجعة لتصحيح الأخطاء لالتقاط الخصائص المحلية لسحابات النقط بشكل شمولي. علاوةً على ذلك، يُسهم وحدة الانتباه القائمة على الترابط القنوي في مساعدة خريطة الميزات على تجنّب التكرار المحتمل من خلال التأكيد على القنوات المميزة. وتُظهر الأداء على كلا مجموعة بيانات السحاب النقطي الاصطناعية والواقعية تفوق الشبكة وقابلية تطبيقها. وبالمقارنة مع الطرق الرائدة الأخرى، يحقق نهجنا توازنًا بين الدقة والكفاءة.