النماذج الحديثة للشبكات العصبية العميقة التي تم تدريبها على مجموعات بيانات أصغر وأقل تنوعًا تستخدم تكثيف البيانات لتخفيف القيود مثل التفوق في التدريب، والضعف في المرونة، والانخفاض في القدرة على التعميم. من بين الطرق الشائعة جدًا التي تستخدم تقنيات تكثيف البيانات هي تلك التي تعتمد على مجموعات بيانات ثلاثية الأبعاد، مثل إزالة النقاط عشوائيًا، والتوسيع، والانزياح، والدوران، والتذبذب (jittering). ومع ذلك، فإن هذه التقنيات ثابتة غالبًا ما تُطبَّق على الجسم ككل، مما يتجاهل الهندسة المحلية للجسم. فالجighborhoods المحلية المختلفة على سطح الجسم تحمل مستويات مختلفة من التعقيد الهندسي. وتطبيق نفس تقنيات تكثيف البيانات على مستوى الجسم يكون أقل فعالية في تكثيف المناطق المحلية ذات الهياكل المعقدة. تقدم هذه الورقة إطارًا يُسمى PatchAugment، يتيح تطبيق تقنيات تكثيف مختلفة على المناطق المحلية. أظهرت دراساتنا التجريبية على نماذج PointNet++ وDGCNN فعالية PatchAugment في مهمة تصنيف سحابات النقاط ثلاثية الأبعاد. وقد قمنا بتقييم تقنيتنا مقابل هذه النماذج باستخدام أربع مجموعات بيانات معيارية: ModelNet40 (مُصَنْعَة)، ModelNet10 (مُصَنْعَة)، SHREC’16 (مُصَنْعَة)، وScanObjectNN (واقعية).