Die semantische Segmentierung von Punktwolken in Datensätzen für autonome Fahrzeuge erfordert Techniken, die große Anzahlen von Punkten effizient verarbeiten können. Dünne 3D-Faltungen (sparse 3D convolutions) sind zu Standardwerkzeugen geworden, um tiefere neuronale Netze für diese Aufgabe zu konstruieren: Sie nutzen die Sparsität der Punktwolken, um den Speicher- und Rechenaufwand zu reduzieren und bilden den Kern der besten heutigen Methoden. In dieser Arbeit schlagen wir eine alternative Methode vor, die das Niveau der Standesder-methoden erreicht, ohne dünne Faltungen zu benötigen. Wir zeigen tatsächlich, dass ein solches Leistungslevel durch das Verwenden von Werkzeugen erreichbar ist, die a priori nicht für groß angelegte und hochleistungsfähige 3D-Wahrnehmung geeignet erscheinen. Insbesondere stellen wir einen neuen 3D-Rumpf (backbone), WaffleIron, vor, der fast ausschließlich aus MLPs (Multi-Layer Perceptrons) und dichten 2D-Faltungen besteht, und präsentieren, wie man ihn trainiert, um hohe Leistungen auf SemanticKITTI und nuScenes zu erzielen. Wir glauben, dass WaffleIron eine überzeugende Alternative zu Rümpfen darstellt, die dünne 3D-Faltungen verwenden, insbesondere in Frameworks und auf Hardware, wo diese Faltungen nicht leicht verfügbar sind.