في تحليل السحابة النقطية، شهدت الطرق القائمة على النقاط تطورًا سريعًا في السنوات الأخيرة. وقد ركزت هذه الطرق مؤخرًا على هياكل MLP الموجزة، مثل PointNeXt، والتي أظهرت قدرتها على المنافسة مع الهياكل الإدراكية والتحولات (Convolutional and Transformer). ومع ذلك، فإن MLPs التقليدية محدودة في قدرتها على استخراج الخصائص المحلية بشكل فعال. لمعالجة هذا القيد، نقترح طريقة التجريد الموجه نحو المتجهات للنقاط التي يمكنها جمع الخصائص المجاورة من خلال متجهات ذات أبعاد أعلى. لتسهيل عملية تحسين الشبكة، نقوم ببناء تحويل من العدد الحقيقي إلى المتجه باستخدام زوايا مستقلة تعتمد على دوران المتجهات ثلاثية الأبعاد. وأخيرًا، نطور نموذج PointVector يتبع هيكل PointNeXt. تُظهر نتائج تجاربنا أن PointVector يحقق أفضل الأداء بمعدل 72.3٪ mIOU على S3DIS منطقة 5 و78.4٪ mIOU على S3DIS (التحقق الصليبي ست مرات) مع وجود فقط 58٪ من معلمات النموذج الموجودة في PointNeXt. نأمل أن يساهم عملنا في استكشاف تمثيلات الخصائص الموجزة والفعالة. سيتم إصدار الكود قريبًا.