Bislang haben nur wenige Arbeiten tiefe Lernverfahren für Punktsets untersucht. PointNet von Qi et al. gilt als Pionier in dieser Richtung. Allerdings erfasst PointNet aufgrund seiner Architektur keine lokalen Strukturen, die durch den metrischen Raum induziert werden, in dem die Punkte liegen, was seine Fähigkeit zur Erkennung fein abgestufter Muster sowie seine Verallgemeinerungsfähigkeit für komplexe Szenen einschränkt. In dieser Arbeit stellen wir ein hierarchisches neuronales Netzwerk vor, das PointNet rekursiv auf einer verschachtelten Partitionierung der Eingabepunktmenge anwendet. Durch die Ausnutzung von Abständen im metrischen Raum ist unser Netzwerk in der Lage, lokale Merkmale mit zunehmendem Kontextbereich zu lernen. Unter Berücksichtigung der Beobachtung, dass Punktsets typischerweise mit variabler Dichte abgetastet werden – was zu einer erheblichen Leistungseinbuße bei Netzwerken führt, die auf gleichmäßiger Dichte trainiert wurden – schlagen wir neuartige Set-Learning-Schichten vor, die Merkmale aus mehreren Skalen adaptiv kombinieren. Experimente zeigen, dass unser Netzwerk, PointNet++, in der Lage ist, tiefe Merkmale von Punktsets effizient und robust zu lernen. Insbesondere wurden Ergebnisse erzielt, die deutlich über denen aktueller State-of-the-Art-Verfahren liegen, insbesondere bei anspruchsvollen Benchmark-Daten von 3D-Punktewolken.