Diese Arbeit präsentiert FG-Net, einen allgemeinen tiefen Lernrahmen für die Verarbeitung großskaliger Punktwolken ohne Voxelisierung, der präzise und in Echtzeit mit einer einzigen NVIDIA GTX 1080-GPU arbeitet. Zunächst wird ein neuartiges Verfahren zur Rausch- und Ausreißerfilterung vorgestellt, das nachfolgende hochwertige Aufgaben erleichtert. Zur effektiven Erkenntnis von Geometrie und Struktur wird ein tiefer konvolutioneller neuronalen Netzwerkansatz vorgeschlagen, der korrelierte Merkmalsausbeutung und deformierbare Konvolutionen zur geometriebewussten Modellierung nutzt, wodurch lokale Merkmalsbeziehungen und geometrische Muster vollständig ausgeschöpft werden können. Im Hinblick auf die Effizienz wird eine inverse Dichtepunktabtastung und eine merkmalspyramidenbasierte Residual-Lernstrategie eingeführt, um jeweils die Rechenkosten und den Speicherverbrauch zu reduzieren. Ausführliche Experimente auf realen, anspruchsvollen Datensätzen zeigen, dass unsere Ansätze sowohl hinsichtlich Genauigkeit als auch Effizienz die der derzeitigen State-of-the-Art-Methoden übertrifft. Darüber hinaus wird schwach überwachtes Transfer-Lernen durchgeführt, um die Verallgemeinerungsfähigkeit unseres Ansatzes zu demonstrieren.