Im Bereich der Punktwolkenanalyse haben punktbasierte Methoden in den letzten Jahren rasch weiterentwickelt. Diese Methoden konzentrieren sich in letzter Zeit auf übersichtliche MLP-Strukturen, wie zum Beispiel PointNeXt, die ihre Wettbewerbsfähigkeit mit Faltungs- und Transformer-Strukturen nachgewiesen haben. Allerdings sind herkömmliche MLPs in ihrer Fähigkeit, lokale Merkmale effektiv zu extrahieren, begrenzt. Um diese Einschränkung zu überwinden, schlagen wir eine vektororientierte Punktmengeabstraktion vor, die durch hochdimensionale Vektoren benachbarte Merkmale aggregieren kann. Um das Netzwerkoptimierungsfeld zu erleichtern, bauen wir eine Transformation von Skalar zu Vektor unter Verwendung unabhängiger Winkel basierend auf 3D-Vektorrotationen auf. Schließlich entwickeln wir ein PointVector-Modell, das die Struktur von PointNeXt beibehält. Unsere experimentellen Ergebnisse zeigen, dass PointVector einen Stand der Technik erreichenden Leistungswert von 72,3 % mIOU im S3DIS-Bereich 5 und 78,4 % mIOU im S3DIS (6-fache Kreuzvalidierung) erreicht, wobei es nur 58 % der Modellparameter von PointNeXt verwendet. Wir hoffen, dass unsere Arbeit zur Erforschung prägnanter und effektiver Merkmalsrepräsentationen beitragen wird. Der Code wird bald veröffentlicht werden.