Als grundlegende Aufgabe der Punktwolkenanalyse ist die Klassifikation grundlegend, jedoch stets herausfordernd. Um einige ungelöste Probleme bestehender Methoden anzugehen, schlagen wir ein Netzwerk vor, das geometrische Merkmale von Punktwolken erfasst, um verbesserte Darstellungen zu ermöglichen. Dazu ergänzen wir einerseits die geometrischen Informationen der Punkte im niedrigen 3D-Raum explizit. Andererseits wenden wir CNN-basierte Strukturen im hochwertigen Merkmalsraum an, um lokale geometrische Kontexte implizit zu lernen. Konkret nutzen wir einen Ansatz basierend auf einer fehlerkorrigierenden Rückkopplungsstruktur, um die lokalen Merkmale von Punktwolken umfassend zu erfassen. Darüber hinaus unterstützt ein auf Kanalaffinität basierendes Aufmerksamkeitsmodul die Merkmalskarte dabei, mögliche Redundanzen zu vermeiden, indem es die charakteristischen Kanäle betont. Die Ergebnisse auf sowohl synthetischen als auch realen Punktwolken-Datensätzen belegen die Überlegenheit und Anwendbarkeit unseres Netzwerks. Im Vergleich zu anderen state-of-the-art-Methoden erreicht unser Ansatz ein gutes Gleichgewicht zwischen Genauigkeit und Effizienz.