Die Entwicklung neuer Darstellungen von 3D-Punktwolken ist ein aktives Forschungsfeld im Bereich der 3D-Vision, da die ordnungsunabhängige Struktur von Punktwolken weiterhin Herausforderungen für die Gestaltung neuronalen Netzwerkarchitekturen darstellt. Neuere Arbeiten haben entweder globale oder lokale Merkmale oder beides für Punktwolken erlernt, doch bisherige Ansätze haben nicht auf die Erfassung kontextueller Forminformationen durch die Analyse der lokalen Orientierungsverteilung der Punkte abgezielt. In diesem Artikel nutzen wir die Orientierungsverteilung von Punkten um einen gegebenen Punkt, um eine ausdrucksstarke lokale Nachbarschaftsdarstellung für Punktwolken zu erzielen. Dazu unterteilen wir die sphärische Nachbarschaft eines Punktes in vordefinierte kegelförmige Volumina, wobei statistische Merkmale innerhalb jedes Volumens als Punkteigenschaften verwendet werden. Auf diese Weise kann ein lokaler Patch nicht nur durch die nächsten Nachbarn des ausgewählten Punktes, sondern auch durch eine Punktdichteverteilung repräsentiert werden, die entlang mehrerer Orientierungen um den Punkt definiert ist. Dadurch können wir ein Orientierungsverteilungsfunktion (ODF)-Neuronales Netzwerk konstruieren, das einen ODFBlock enthält, der auf MLP-Schichten (Multi-Layer Perceptron) basiert. Das neue ODFNet-Modell erreicht eine state-of-the-art Genauigkeit bei der Objektklassifikation auf den Datensätzen ModelNet40 und ScanObjectNN sowie bei der Segmentierung auf dem ShapeNet S3DIS-Datensatz.