Datenaugmentation ist eine effektive Regularisierungsstrategie zur Verringerung von Overfitting, einem inhärenten Nachteil tiefer neuronaler Netze. Dennoch wird Datenaugmentation bei der Verarbeitung von Punktwolken selten berücksichtigt, obwohl zahlreiche Studien verschiedene Augmentationsmethoden für Bilddaten vorgeschlagen haben. Tatsächlich ist Regularisierung für Punktwolken von entscheidender Bedeutung, da aufgrund kleiner Datensätze eine geringe Generalisierbarkeit besonders wahrscheinlich ist. In dieser Arbeit wird Rigid Subset Mix (RSMix), eine neuartige Datenaugmentationsmethode für Punktwolken, vorgestellt, die durch Ersetzen eines Teils einer Punktwolke durch strukturkonservierte Teilmengen aus einer anderen Punktwolke eine virtuelle gemischte Probe generiert. RSMix bewahrt die strukturellen Informationen der Punktwolke, indem sie Teilmengen aus jeder Probe ohne Verzerrung mittels einer Nachbarschaftsfunktion extrahiert. Die Nachbarschaftsfunktion wurde sorgfältig unter Berücksichtigung der charakteristischen Eigenschaften von Punktwolken – der ungeordneten Struktur und der nicht-gitterförmigen Anordnung – entworfen. Experimente bestätigten, dass RSMix tiefen neuronalen Netzen erfolgreich Regularisierung verleiht und bei der Formklassifizierung eine bemerkenswerte Verbesserung erzielt. Zudem wurde eine umfassende Analyse verschiedener Kombinationen von Datenaugmentationsmethoden, einschließlich RSMix, unter Einbeziehung einzelner und mehrerer Ansichten durchgeführt, basierend auf umfangreichen Ablationsstudien.