Das Deep Learning mit 3D-Daten hat seit der Einführung von Faltungsneuralnetzen, die die Unklarheit der Punktfolge in Punktwolken-Daten bewältigen können, erhebliche Fortschritte gemacht. Obwohl diese Methoden in verschiedenen Aufgaben zur Szeneinterpretation gute Genauigkeiten erreichen konnten, waren sie oft mit einer langsamen Trainingsgeschwindigkeit und komplexer Netzwerkarchitekturen verbunden. In dieser Arbeit adressieren wir diese Probleme durch den Vorschlag einer effizienten, von Permutation unabhängigen Faltung (permutation invariant convolution) für das Deep Learning mit Punktwolken. Unser einfacher, aber effektiver Faltungsoperator, ShellConv, nutzt Statistiken aus konzentrischen sphärischen Schalen, um repräsentative Merkmale zu definieren und die Unklarheit der Punktfolge aufzulösen, sodass traditionelle Faltung auf diesen Merkmalen durchgeführt werden kann. Basierend auf ShellConv bauen wir ein effizientes Neuronales Netzwerk namens ShellNet auf, das Punktwolken direkt verarbeitet und dabei größere Rezeptorfelder beibehält, während gleichzeitig weniger Schichten benötigt werden. Wir zeigen die Effizienz von ShellNet durch die Erzeugung von Stand-der-Technik-Ergebnissen bei Objektklassifikation, Segmentierung von Objektteilen und semantischer Szene-Segmentierung, wobei das Netzwerk sehr schnell trainiert werden kann.