本文介绍了一种名为Point-GN的新颖非参数网络，用于高效且准确的三维点云分类。与依赖大量可训练参数的传统深度学习模型不同，Point-GN利用了不可学习的组件，具体包括最远点采样（Farthest Point Sampling, FPS）、k近邻算法（k-Nearest Neighbors, k-NN）和高斯位置编码（Gaussian Positional Encoding, GPE），以提取局部和全局几何特征。这种设计消除了对额外训练的需求，同时保持了高性能，使得Point-GN特别适用于实时、资源受限的应用场景。我们在两个基准数据集ModelNet40和ScanObjectNN上评估了Point-GN，分别达到了85.29%和85.89%的分类准确率，同时显著降低了计算复杂度。Point-GN在性能上超过了现有的非参数方法，并且与完全训练的模型相匹配，而无需任何可学习参数。我们的结果表明，Point-GN是实际实时环境中三维点云分类的一个有前景的解决方案。