أصبح تحليل السحاب النقطي محط اهتمام الباحثين في السنوات الأخيرة، في حين يظل التصنيف الشمولي ثلاثي الأبعاد مشكلة مستمرة. تعتمد معظم النماذج العميقة لسحابات النقط ثلاثية الأبعاد على التعلم مباشرة على البيانات ثلاثية الأبعاد، مما يُعرّضها لمشكلة الشحّ الشديد في الكثافة وحمولة معالجة البيانات الهائلة، خاصة في البيانات ذات الحجم الحضري. وللتصدي لهذه التحديات، نقترح تحويل سحابات النقط ثلاثية الأبعاد إلى صور مُشَكَّلة من منظور "الطيور" (Bird's-eye-view) كثيفة. وبهذا التحويل، يصبح تبسيط مهمة التصنيف ممكناً بفضل تقليل عدم التوازن بين الفئات، وتمكّن من الاستفادة من مجموعة متنوعة من أساليب التصنيف ثنائية الأبعاد. كما قمنا بتصميم شبكة تكامل قائمة على الانتباه، تتيح التعلم متعدد الوسائط على الصور المُشَكَّلة. وأخيراً، يتم إعادة خريطة النتائج ثنائية الأبعاد لاستخلاص نتائج التصنيف الشمولي ثلاثي الأبعاد. ولإثبات فوائد منهجنا، أجرينا مجموعة متنوعة من التجارب على مجموعة بيانات SensatUrban، حيث أظهر نموذجنا نتائج تقييم تنافسية (61.17% mIoU و91.37% دقة إجمالية). نأمل أن يُلهم عملنا مزيداً من الاستكشافات في مجال تحليل سحابات النقط.