في الآونة الأخيرة، حظيت هياكل الرؤية المستندة حصريًا إلى الشبكات العصبية متعددة الطبقات (MLPs) باهتمام كبير في مجتمع رؤية الحاسوب. تحقق نماذج مشابهة للـ MLP أداءً تنافسيًا في تصنيف الصور ثنائية الأبعاد بانحياز استقرائي أقل دون الحاجة إلى طبقات التفاف مصممة يدويًا. في هذا البحث، نستكشف فعالية الهيكل المستند إلى الـ MLP في مهمة التعرف على الكائنات ثلاثية الأبعاد بناءً على الزوايا المختلفة. نقدم هيكلًا مستندًا إلى الـ MLP يُطلق عليه اسم Round-Roll MLP (R²-MLP). يتم توسيع العمود الفقري للـ MLP المُحول مكانياً من خلال اعتبار التواصل بين القطع من زوايا مختلفة. يقوم R²-MLP بتدوير جزء من القنوات على البعد الزاوي ويشجع تبادل المعلومات بين الزوايا المجاورة. نقوم بتقييم نتائج الـ MLP على مجموعتي البيانات ModelNet10 وModelNet40 مع إجراء عمليات الاستبعاد في جوانب مختلفة. تظهر النتائج التجريبية أن R²-MLP، بهيكله البسيط مفهوميًا، يحقق أداءً تنافسيًا بالمقارنة مع الأساليب الأكثر تقدمًا الموجودة حاليًا.