Wir stellen O-CNN vor, ein auf Oktaederbasisierenden Faltungsneuronalen Netzwerken (CNN) basierendes Verfahren zur Analyse von 3D-Formen. Unser Ansatz verwendet die durchschnittlichen Normalvektoren eines 3D-Modells, die in den feinsten Blattoktaeder abgetastet werden, als Eingabe und führt 3D-CNN-Operationen auf den von der 3D-Formoberfläche besetzten Oktaedern durch. Wir haben eine neuartige Oktaeder-Datenstruktur entwickelt, um die Oktaederinformation und CNN-Merkmale effizient im Grafikspeicher zu speichern und das gesamte O-CNN-Training sowie die Auswertung auf der GPU durchzuführen. O-CNN unterstützt verschiedene CNN-Archi­tekturen und ist für 3D-Formen in unterschiedlichen Darstellungen geeignet. Durch die Einschränkung der Berechnungen auf die von 3D-Oberflächen besetzten Oktaeder wachsen die Speicher- und Rechenkosten des O-CNN quadratisch mit der Tiefe des Oktaeders, was es ermöglicht, hochauflösende 3D-Modelle mit einem 3D-CNN zu verarbeiten. Wir vergleichen die Leistungsfähigkeit des O-CNN mit anderen existierenden 3D-CNN-Lösungen und zeigen die Effizienz und Wirksamkeit des O-CNN an drei Formanalyseaufgaben: Objektklassifikation, Formsuche und Formsegmentierung.