In den letzten Jahren haben Punktwolkenanalysen das Interesse der Forscher geweckt, während die 3D-semantische Segmentierung weiterhin eine Herausforderung darstellt. Die meisten tiefen Punktwolkenmodelle führen die Lernprozesse direkt auf 3D-Punktwolken durch, was bei städtischen Datensätzen unter der starken Sparsität und der extrem hohen Datenverarbeitungsbelastung leidet. Um diese Herausforderung zu bewältigen, schlagen wir vor, die 3D-Punktwolken in eine dichte Vogelperspektive-Projektion zu überführen. Dadurch vereinfacht sich die Segmentierungsaufgabe aufgrund einer Reduktion der Klassenungleichgewichte und der Möglichkeit, verschiedene 2D-Segmentierungsmethoden zu nutzen. Wir entwickeln zudem ein auf Aufmerksamkeit basierendes Fusionsnetzwerk, das eine multimodale Lernstrategie auf den projizierten Bildern ermöglicht. Schließlich werden die 2D-Ergebnisse wieder in den 3D-Raum zurückprojiziert, um 3D-semantische Segmentierungsergebnisse zu erzeugen. Um die Vorteile unseres Ansatzes zu demonstrieren, führen wir verschiedene Experimente auf dem SensatUrban-Datensatz durch, bei denen unser Modell konkurrenzfähige Ergebnisse erzielt (61,17 % mIoU und 91,37 % Gesamtgenauigkeit). Wir hoffen, dass unsere Arbeit weitere Forschungen in der Punktwolkenanalyse anregen wird.